另一种表达相同想法的方式是:

如果加速CPU并没有加速你的程序，它可能是I/O受限的。 如果加速I/O(例如使用更快的磁盘)没有帮助，那么您的程序可能是CPU受限的。

(我使用“可能是”是因为你需要考虑其他资源。内存就是一个例子。)

这很直观:

如果一个程序在CPU更快的情况下运行得更快，那么它就受到了CPU的限制，也就是说，它的大部分时间都在简单地使用CPU(进行计算)。计算π的新数字的程序通常是cpu限制的，它只是处理数字。

如果一个程序能够在I/O子系统更快的情况下运行得更快，那么它就是I/O约束的。具体的I/O系统是不同的;我通常把它与磁盘联系在一起，当然，一般来说，网络或通信也很常见。在一个大文件中查找一些数据的程序可能会成为I/O限制，因为瓶颈是从磁盘读取数据(实际上，这个例子在今天可能有点过时，从ssd读取数百MB/s)。

I/O绑定进程:—如果一个进程生命周期的大部分时间都处于I/O状态，那么这个进程就是一个I/O绑定进程。例子:计算器,internet explorer

CPU绑定进程:—如果进程生命周期的大部分时间都花在CPU上，那么它就是CPU绑定进程。

CPU限制是指进程的速度受CPU速度的限制。对一小组数字执行计算的任务，例如乘小矩阵，可能会受到CPU的限制。

I/O约束是指进程的速度受I/O子系统的速度限制。处理来自磁盘的数据的任务(例如，计算文件中的行数)可能受到I/O限制。

内存限制是指进程进程的速度受可用内存数量和内存访问速度的限制。处理大量内存内数据的任务，例如乘法大型矩阵，很可能是memory Bound。

缓存约束是指进程进程受可用缓存数量和速度限制的速率。如果一个任务处理的数据超过了缓存的容量，那么它就会被缓存绑定。

I/O绑定比内存绑定慢，缓存绑定比CPU绑定慢。

I/O受限的解决方案不一定是获得更多内存。在某些情况下，访问算法可以围绕I/O、内存或缓存限制进行设计。参见缓存无关算法。

当一个应用程序在执行期间的算术/逻辑/浮点(A/L/FP)性能大部分接近处理器的理论峰值性能(数据由制造商提供，由处理器的特性决定:核数、频率、寄存器、alu、fpu等)时，它就被cpu绑定了。

peek性能在实际应用中是很难实现的，并不是说不可能。大多数应用程序在不同的执行过程中访问内存，处理器在几个周期内不会执行A/L/FP操作。由于内存和处理器之间存在距离，这被称为冯·诺依曼限制。

If you want to be near the CPU peak-performance a strategy could be to try to reuse most of the data in the cache memory in order to avoid requiring data from the main memory. An algorithm that exploits this feature is the matrix-matrix multiplication (if both matrices can be stored in the cache memory). This happens because if the matrices are size n x n then you need to do about 2 n^3 operations using only 2 n^2 FP numbers of data. On the other hand matrix addition, for example, is a less CPU-bound or a more memory-bound application than the matrix multiplication since it requires only n^2 FLOPs with the same data.

下图显示了在Intel i5-9300H中使用简单的矩阵加法和矩阵乘法算法获得的FLOPs:

注意，正如预期的那样，矩阵乘法的性能要大于矩阵加法。可以通过运行这个存储库中的test/gemm和test/matadd来重现这些结果。

我建议你也去看看J. Dongarra关于这个效果的视频。

CPU限制是指程序被CPU或中央处理器所限制，而I/O限制是指程序被I/O或输入/输出所限制，例如读写磁盘、网络等。

一般来说，在优化计算机程序时，人们试图找出瓶颈并消除它。知道您的程序受CPU限制是有帮助的，这样就不会不必要地优化其他东西。

[我所说的“瓶颈”是指使你的程序运行得比原本要慢的东西。]