是否有任何 JVM 的 JIT 编译器生成使用矢量化浮点指令的代码？

Question

假设我的 Java 程序的瓶颈确实是一些紧密循环来计算一堆矢量点积。是的，我已经分析过了，是的，它是瓶颈，是的，它很重要，是的，算法就是这样，是的，我已经运行 Proguard 来优化字节码，等等。

这项工作本质上是点积。如，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的存在是为了快速批量执行此类操作，例如 SSE 或 MMX。

是的，我可以通过在 JNI 中编写一些本机代码来访问这些。事实证明，JNI 调用非常昂贵。

我知道你不能保证 JIT 会编译什么，什么不编译。有没有人曾经听说过使用这些指令的 JIT 生成代码？如果是这样，Java 代码有什么东西可以帮助它以这种方式编译吗？

可能是“不”；值得一问。

Answer 1

所以，基本上，您希望您的代码运行得更快。 JNI 就是答案。我知道你说它对你不起作用，但让我告诉你你错了。

这里是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 @NoException 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;
}

我们可以用JavaCPP使用这个命令编译和运行它：

$ java -jar javacpp.jar Dot.java -exec

使用 Intel(R) Core(TM) i7-7700HQ CPU @ 2.80GHz、Fedora 30、GCC 9.1.1 和 OpenJDK 8 或 11，我得到这样的输出：

dot(): 39 ns
dotc(): 16 ns

或大约快 2.4 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显着提升性能。

Answer 2

为了解决其他人在这里表达的一些怀疑，我建议任何想向自己或其他人证明的人使用以下方法：

• 创建 JMH 项目
• 写一个向量化数学的小sn-p。
• 在 -XX:-UseSuperWord 和 -XX:+UseSuperWord（默认）之间运行他们的基准测试
• 如果未观察到性能差异，则您的代码可能未矢量化
• 为确保，运行您的基准测试以打印出程序集。在 linux 上，您可以使用 perfasm profiler('-prof perfasm') 看看是否生成了您期望的指令。

例子：

@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
}

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

热循环的程序集需要格式化和粘贴在这里，但这里有一个 sn-p（hsdis.so 无法格式化一些 AVX2 向量指令，所以我使用 -XX:UseAVX=1 运行） : -XX:+UseSuperWord(with '-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

玩得开心冲进城堡！

Answer 3

在从 Java 7u40 开始的 HotSpot 版本中，服务器编译器提供对自动矢量化的支持。根据JDK-6340864

然而，这似乎只适用于“简单循环”——至少目前如此。比如累加一个数组还不能向量化JDK-7192383

Answer 4

这是我朋友写的关于试验 Java 和 SIMD 指令的好文章： http://prestodb.rocks/code/simd/

它的一般结果是，您可以期望 JIT 在 1.8 中使用一些 SSE 操作（在 1.9 中使用更多）。虽然你不应该期望太多，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，并且 OpenCL 语言还支持向量类型，因此您应该能够明确利用例如SSE3/4 指令。

Answer 6

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字级并行的自动向量化，这仅限于循环内并行的简单情况。本文还将为您提供一些指导，看看您的数据大小是否足以证明采用 JNI 路线的合理性。

Answer 7

我猜你在发现 netlib-java 之前就写了这个问题 ;-) 它提供了你需要的原生 API，具有机器优化的实现，并且由于内存的原因在原生边界没有任何成本固定。

Answer 8

Java 16 引入了 Vector API（JEP 417、JEP 414、JEP 338）。它目前正在“孵化”（即测试版），尽管任何人都可以使用它。它可能会在 Java 19 或 20 中成为 GA。

它有点冗长，但应该是可靠和可移植的。

以下代码可以改写：

void scalarComputation(float[] a, float[] b, float[] c) {
   assert a.length == b.length && b.length == c.length;
   for (int i = 0; i < a.length; i++) {
        c[i] = (a[i] * a[i] + b[i] * b[i]) * -1.0f;
   }
}

使用矢量 API：

static final VectorSpecies<Float> SPECIES = FloatVector.SPECIES_PREFERRED;

void vectorComputation(float[] a, float[] b, float[] c) {
    assert a.length == b.length && b.length == c.length;
    int i = 0;
    int upperBound = SPECIES.loopBound(a.length);
    for (; i < upperBound; i += SPECIES.length()) {
        // FloatVector va, vb, vc;
        var va = FloatVector.fromArray(SPECIES, a, i);
        var vb = FloatVector.fromArray(SPECIES, b, i);
        var vc = va.mul(va)
                   .add(vb.mul(vb))
                   .neg();
        vc.intoArray(c, i);
    }
    for (; i < a.length; i++) {
        c[i] = (a[i] * a[i] + b[i] * b[i]) * -1.0f;
    }
}

较新的版本（即 Java 18）正在尝试使用谓词指令摆脱最后一个 for 循环，但据推测对此的支持仍然参差不齐。

Answer 9

我不相信大多数虚拟机都足够聪明，可以进行这种优化。公平地说，大多数优化要简单得多，例如在 2 的幂时进行移位而不是乘法。 mono 项目引入了他们自己的向量和其他带有原生支持的方法来帮助提高性能。