传Dropbox准备IPO 自Snapchat以来最大的技术公司

原文Dropbox Is Getting Ready for the Biggest Tech IPO Since Snapchat
作者:Reuters
翻译:雁惊寒

dropbox1

知情人士上周五表示,数据共享业务公司Dropbox目前正在为今年晚些时候首次公开​​发行(Initial Public Offerings,简称IPO)寻求承销商,这将使它成为自Snap公司以来上市的最大的美国技术公司。

在2014年的私募融资中,Dropbox已经估值近100亿美元,而此次IPO将成为Dropbox自上次融资以来最关键的考验。

有匿名人士称,在一次保密的商讨会议上,Dropbox决定在未来几周内开始接触投资银行。

对此,Dropbox拒绝发表评论。

几家美国的大型技术公司,如Uber和Airbnb公司,在最近几个月里都拒绝了上市募集资金,他们担心股市投资者会给他们带来更低的估值,而这些投资者比私募投资者更注重企业的盈利能力。

流行的消息应用程序Snapchat的所有者Snap在今年早些时候被迫下调了IPO估值预期,因为投资者对其未经证实的业务模式表示了担忧。自那以来,其股价一直徘徊在发行价的上面一点点,投资者因为不断扩大的损失和分析师的错误预期而感到不安,目前,Snap的市值为210亿美元。

不过,对于许多私营公司来说,随着投资者套现的意愿越来越强烈,公司的压力也越来越大。

根据Thomson Reuters的数据显示,技术公司上市的收益从2014年的340亿美元下滑至2015年的67亿美元,到2016年将进一步缩减至29亿美元。

Dropbox的主要竞争对手Box公司在2015年的IPO估值约为16.7亿美元,低于之前私募融资估值的24亿美元。

总部位于旧金山的Dropbox由马萨诸塞理工学院的毕业生Drew Houston和Arash Ferdowsi于2007年创立,投资者包括红山资本、T. Rowe Price和Greylock Partners。

Dropbox从免费服务做起,为消费者提供了分享和存储照片、音乐和其他大型文件的服务。不过,随着Alphabet公司的谷歌、微软和亚马逊开始免费提供存储服务以后,这一业务开始变得商品化。

Dropbox已经转向专注于赢得企业客户,该公司首席执行官休斯敦表示,Dropbox今年将实现收入超过10亿美元。该公司扩展了Dropbox Business,要求使用该业务的公司根据实际使用的人数支付费用。 从1月份开始,该业务开始提供Smart Sync功能,允许用户从桌面上查看和访问其所有文件,无论是存储在云端还是本地硬盘驱动器中。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值