Based on the above explanations, we

Based on the above explanations, we can see that food recognition and calorie computation are essential components of EHSH. However, due to the resource constraints in the mobile device, implementing them in a smartphone was not viable option, since
the response time was very high, and the application consumed a large percentage of the smartphone’s resources, limiting the usability of the application and the smartphone. To overcome these challenges, we used the cloud to offload a bulk of the processing
tasks. In [6,7], we used MapReduce as a parallel classifier in the cloud to implement SVM on each of the cloud instances. As part of the SVM implementation in Amazon Web Services (AWS), we performed the map and reduce based training and testing tasks on
multiple EC2 instances. Although the MapReduce model yielded the desired results for larger training sets, the initial time taken to distribute the data and process it across different Amazon EC2 instances was considerably higher for smaller training sets of data. Based on the results in [5], we observed that with the increase in cloud instances (from a t2.micro one cloud instance to x3.large four cloud instances), the overall response time got reduced. In a scenario where higher number of users is accessing EHSH in parallel, adding more cloud instances on demand would suffice the demand for cloud resources, but the initial time taken to allocate the cloud instances would adversely affect the overall response time. Hence the scalability aspect was still a challenge that had to be addressed.

ผลลัพธ์ (ไทย) 1:

ตามคำอธิบายข้างต้น เราจะเห็นว่า คำนวณการรับรู้และแคลอรี่ของอาหารเป็นส่วนประกอบที่สำคัญของ EHSH อย่างไรก็ตาม เนื่องจากข้อจำกัดทรัพยากรในอุปกรณ์มือถือ ใช้งานในสมาร์ทโฟนได้ไม่ครับ ตั้งแต่เวลาตอบรับสูงมาก และโปรแกรมที่ใช้ทรัพยากรของสมาร์ทโฟน จำกัดการใช้งานของแอพลิเคชันและสมาร์ทโฟนในปริมาณมาก เพื่อเอาชนะความท้าทายเหล่านี้ เราใช้ cloud การถ่ายโหลดการประมวลผลเป็นจำนวนมากงาน ใน 6 [7], เราใช้ MapReduce เป็นลักษณนามแบบขนานใน cloud ใช้ SVM บนแต่ละอินสแตนซ์ของระบบคลาวด์ เป็นส่วนหนึ่งของการดำเนินการ SVM ในบริการเว็บ Amazon (AWS), เราทำแผนที่ และลดการฝึกอบรม และการทดสอบงานหลายอินสแตนซ์ EC2 แม้ว่ารุ่น MapReduce ผลผลลัพธ์ต้องการสำหรับการฝึกขนาดใหญ่ชุด เริ่มต้นใช้เวลาในการกระจายข้อมูลและกระบวนการในอินสแตนซ์อื่น Amazon EC2 ก็สูงมากสำหรับขนาดเล็กการฝึกอบรมชุดข้อมูล จากผลการใน [5], เราตั้งข้อสังเกตว่า การเพิ่มขึ้นของอินสแตนซ์เมฆ (จากที่ t2.micro เมฆอินสแตนซ์หนึ่งอินสแตนซ์เมฆสี่ x3.large), เวลาตอบรับโดยรวมได้ลดลง ในสถานการณ์ที่สูงกว่าจำนวนผู้ใช้จะเข้าถึง EHSH ขนาน การเพิ่มอินสแตนซ์ของระบบคลาวด์เพิ่มเติมตามความต้องการจะพอเพียงความต้องการทรัพยากรระบบคลาวด์ แต่เริ่มต้นใช้เวลาในการจัดสรรในกรณีเมฆจะมีผลต่อเวลาตอบรับโดยรวม ดังนั้น ด้านภาระมันยังท้าทายที่ต้องได้รับ

ผลลัพธ์ (ไทย) 2:

ขึ้นอยู่กับคำอธิบายข้างต้นเราจะเห็นว่าการรับรู้อาหารและการคำนวณแคลอรี่เป็นส่วนประกอบที่สำคัญของ EHSH แต่เนื่องจากข้อ จำกัด ของทรัพยากรในโทรศัพท์มือถือใช้พวกเขาในมาร์ทโฟนเป็นตัวเลือกที่ไม่ทำงานได้ตั้งแต่
เวลาการตอบสนองสูงมากและการประยุกต์ใช้การบริโภคขนาดใหญ่ร้อยละของทรัพยากรมาร์ทโฟนที่ จำกัด การใช้งานของแอพลิเคชันและที่ มาร์ทโฟน จะเอาชนะความท้าทายเหล่านี้เราใช้ระบบคลาวด์เพื่อ offload เป็นกลุ่มของการประมวลผล
งาน ใน [6,7] เราใช้ MapReduce เป็นลักษณนามขนานในเมฆที่จะใช้ SVM ในแต่ละกรณีเมฆ ในฐานะที่เป็นส่วนหนึ่งของการดำเนินงานใน SVM Amazon Web Services (AWS) เราดำเนินการแผนที่และลดการฝึกอบรมและการทดสอบในงาน
อินสแตนซ์ EC2 หลาย แม้ว่ารูปแบบการให้ผล MapReduce ผลลัพธ์ที่ต้องการสำหรับชุดการฝึกอบรมที่มีขนาดใหญ่เป็นครั้งแรกที่นำไปแจกจ่ายข้อมูลและประมวลผลมันข้ามที่แตกต่างกันกรณีของ Amazon EC2 สูงมากสำหรับการฝึกอบรมชุดข้อมูลขนาดเล็ก บนพื้นฐานของผลใน [5] เราตั้งข้อสังเกตว่ามีการเพิ่มขึ้นในกรณีที่ระบบคลาวด์ (จาก t2.micro เช่นเมฆหนึ่งไปยัง x3.large สี่กรณีเมฆ) เวลาตอบสนองโดยรวมได้ลดลง ในสถานการณ์ที่จำนวนที่สูงขึ้นของผู้ใช้เข้าถึง EHSH ในแบบคู่ขนานเพิ่มกรณีเมฆเพิ่มเติมเกี่ยวกับความต้องการที่จะพอเพียงสำหรับความต้องการทรัพยากรเมฆ แต่เป็นครั้งแรกที่นำการจัดสรรกรณีเมฆเสียจะส่งผลกระทบต่อเวลาการตอบสนองโดยรวม ดังนั้นด้าน scalability ยังคงเป็นความท้าทายที่จะต้องได้รับการแก้ไข