Question

让我们说我的Java程序的瓶颈确实是计算一堆矢量点积的一些紧密循环。是的我已经描述过，是的，它是瓶颈，是的，它是重要的，是的，这就是算法的结果，是的，我已经运行Proguard来优化字节码等。

这项工作本质上是点产品。因为，我有两个float[50]，我需要计算成对产品的总和。我知道处理器指令集可以快速和批量地执行这些操作，如SSE或MMX。

是的我可以通过在JNI中编写一些本机代码来访问它们。 JNI电话非常昂贵。

我知道你无法保证JIT编译或编译的内容。有没有人曾听说过使用这些指令的JIT生成代码？如果有的话，有什么关于Java代码可以帮助它以这种方式编译吗？

可能是“不”;值得一提。

Answer 1

因此，基本上，您希望代码运行得更快。 JNI就是答案。我知道你说它不适合你，但让我告诉你你错了。

这是Dot.java：

import java.nio.FloatBuffer;
import org.bytedeco.javacpp.*;
import org.bytedeco.javacpp.annotation.*;

@Platform(include="Dot.h", compiler="fastfpu")
public class Dot {
    static { Loader.load(); }

    static float[] a = new float[50], b = new float[50];
    static float dot() {
        float sum = 0;
        for (int i = 0; i < 50; i++) {
            sum += a[i]*b[i];
        }
        return sum;
    }
    static native @MemberGetter FloatPointer ac();
    static native @MemberGetter FloatPointer bc();
    static native float dotc();

    public static void main(String[] args) {
        FloatBuffer ab = ac().capacity(50).asBuffer();
        FloatBuffer bb = bc().capacity(50).asBuffer();

        for (int i = 0; i < 10000000; i++) {
            a[i%50] = b[i%50] = dot();
            float sum = dotc();
            ab.put(i%50, sum);
            bb.put(i%50, sum);
        }
        long t1 = System.nanoTime();
        for (int i = 0; i < 10000000; i++) {
            a[i%50] = b[i%50] = dot();
        }
        long t2 = System.nanoTime();
        for (int i = 0; i < 10000000; i++) {
            float sum = dotc();
            ab.put(i%50, sum);
            bb.put(i%50, sum);
        }
        long t3 = System.nanoTime();
        System.out.println("dot(): " + (t2 - t1)/10000000 + " ns");
        System.out.println("dotc(): "  + (t3 - t2)/10000000 + " ns");
    }
}

和Dot.h：

float ac[50], bc[50];

inline float dotc() {
    float sum = 0;
    for (int i = 0; i < 50; i++) {
        sum += ac[i]*bc[i];
    }
    return sum;
}

我们可以使用命令行编译并运行JavaCPP：

$ javac -cp javacpp.jar Dot.java
$ java -jar javacpp.jar Dot
$ java -cp javacpp.jar:. Dot

使用英特尔酷睿i7-3632QM CPU @ 2.20GHz，Fedora 20，GCC 4.8.3和OpenJDK 7或8，我得到了这样的输出：

dot(): 37 ns
dotc(): 23 ns

或大约快1.6倍。我们需要使用直接NIO缓冲区而不是数组，但HotSpot can access direct NIO buffers as fast as arrays。另一方面，在这种情况下，手动展开循环并不能提供可测量的性能提升。

Answer 2

为了解决其他人在此表达的一些怀疑态度，我建议任何想要证明自己或其他人使用以下方法的人：

创建JMH项目
写一小段可矢量数学。
在-XX之间运行基准翻转：-UseSuperWord和-XX：+ UseSuperWord（默认）
如果没有观察到性能差异，您的代码可能无法进行矢量化
要确保运行您的基准测试，以便打印出装配体。在linux上你可以享受perfasm profiler（' - profasm'）看一看，看看你期望的指令是否会产生。

示例：

@Benchmark
@CompilerControl(CompilerControl.Mode.DONT_INLINE) //makes looking at assembly easier
public void inc() {
    for (int i=0;i<a.length;i++)
        a[i]++;// a is an int[], I benchmarked with size 32K
}

带有和不带标志的结果（最近的Haswell笔记本电脑，Oracle JDK 8u60）： -XX：+ UseSuperWord：475.073±44.579 ns / op（每个操作纳秒数） -XX：-UseSuperWord：3376.364±233.211 ns / op

热循环的程序集有点格式化并坚持在这里，但这里是一个片段（hsdis.so无法格式化一些AVX2向量指令，所以我使用-XX运行：UseAVX = 1）： - XX：+ UseSuperWord（'-prof perfasm：intelSyntax = true'）

  9.15%   10.90%  │││ │↗    0x00007fc09d1ece60: vmovdqu xmm1,XMMWORD PTR [r10+r9*4+0x18]
 10.63%    9.78%  │││ ││    0x00007fc09d1ece67: vpaddd xmm1,xmm1,xmm0
 12.47%   12.67%  │││ ││    0x00007fc09d1ece6b: movsxd r11,r9d
  8.54%    7.82%  │││ ││    0x00007fc09d1ece6e: vmovdqu xmm2,XMMWORD PTR [r10+r11*4+0x28]
                  │││ ││                                                  ;*iaload
                  │││ ││                                                  ; - psy.lob.saw.VectorMath::inc@17 (line 45)
 10.68%   10.36%  │││ ││    0x00007fc09d1ece75: vmovdqu XMMWORD PTR [r10+r9*4+0x18],xmm1
 10.65%   10.44%  │││ ││    0x00007fc09d1ece7c: vpaddd xmm1,xmm2,xmm0
 10.11%   11.94%  │││ ││    0x00007fc09d1ece80: vmovdqu XMMWORD PTR [r10+r11*4+0x28],xmm1
                  │││ ││                                                  ;*iastore
                  │││ ││                                                  ; - psy.lob.saw.VectorMath::inc@20 (line 45)
 11.19%   12.65%  │││ ││    0x00007fc09d1ece87: add    r9d,0x8            ;*iinc
                  │││ ││                                                  ; - psy.lob.saw.VectorMath::inc@21 (line 44)
  8.38%    9.50%  │││ ││    0x00007fc09d1ece8b: cmp    r9d,ecx
                  │││ │╰    0x00007fc09d1ece8e: jl     0x00007fc09d1ece60  ;*if_icmpge

有趣地冲进城堡！

Answer 3

在以Java 7u40开头的HotSpot版本中，服务器编译器提供对自动矢量化的支持。根据{{3}}

然而，这似乎只适用于“简单循环” - 至少暂时如此。例如，累积数组无法进行矢量化JDK-6340864

Answer 4

以下是关于试验我的朋友写的Java和SIMD指令的好文章： http://prestodb.rocks/code/simd/

它的一般结果是你可以期望JIT在1.8中使用一些SSE操作（以及1.9中的更多操作）。虽然你不应该期待太多，但你需要小心。

Answer 5

您可以编写OpenCl内核来进行计算并从java http://www.jocl.org/运行它。

代码可以在CPU和/或GPU上运行，OpenCL语言也支持矢量类型，因此您应该能够明确地利用例如SSE3 / 4指令。

Answer 6

我猜你在发现netlib-java之前写了这个问题;-)它提供了你需要的本机API，机器优化的实现，并且在原生边界没有任何成本，谢谢记忆钉扎。

Answer 7

看看Performance comparison between Java and JNI for optimal implementation of computational micro-kernels。他们表明Java HotSpot VM服务器编译器支持使用超级字级并行的自动矢量化，这仅限于循环并行内部的简单情况。本文还将为您提供一些指导，说明您的数据大小是否足以证明JNI路由的合理性。

Answer 8

我不相信大多数虚拟机是否足够智能以进行这种优化。公平地说，大多数优化都要简单得多，例如在2的幂时移位而不是乘法。单声道项目引入了他们自己的矢量和其他方法与原生支持，以帮助提高性能。

是否有任何JVM的JIT编译器生成使用向量化浮点指令的代码？

8 个答案: