JVM的JIT编译器是否生成使用矢量化浮点指令的代码？

可以说，我的Java程序的瓶颈实际上是一些紧密的循环，无法计算一堆矢量点积。是的，我已经进行了概要分析，是的，它是瓶颈，是的，它很重要，是的，这就是算法的方式，是的，我已经运行了Proguard来优化字节码，等等。

实质上，这是点产品。float[50]与之类似，我有两个，我需要计算成对乘积之和。我知道处理器指令集可以像SSE或MMX一样快速且批量地执行此类操作。

是的，我可能可以通过在JNI中编写一些本机代码来访问它们。JNI调用结果非常昂贵。

我知道您不能保证JIT将编译或不编译。有没有人曾经听说过使用这些指令的JIT生成的代码？如果是这样，那么有关Java代码的任何内容都可以使它以这种方式编译吗？

可能是“否”；值得一问。

因此，基本上，您希望代码运行得更快。JNI就是答案。我知道您说这对您没有用，但让我告诉您您错了。

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;
}

我们可以使用以下命令使用JavaCPP进行编译和运行：

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

使用2.80GHz @ Fedora 30，GCC 9.1.1和OpenJDK 8或11的Intel®Core™i7-7700HQ CPU，可以获得以下输出：

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，但是HotSpot可以像访问数组一样快地访问直接NIO缓冲区。另一方面，在这种情况下，手动展开循环不会显着提高性能。

为了解决其他人对此表示的怀疑，我建议任何想证明自己或其他人的人都使用以下方法：

• 创建一个JMH项目
• 编写一小段可矢量化的数学代码。
• 在-XX：-UseSuperWord和-XX：+ UseSuperWord（默认）之间运行基准转换
• 如果未观察到性能差异，则您的代码可能没有被矢量化
• 为确保确定，请运行基准测试，以使其打印出程序集。在Linux上，您可以欣赏一下perfasm profiler（'-prof perfasm'），看看是否会生成您期望的指令。

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
}

带和不带标志的结果（在最近的Haswell笔记本电脑上，Oracle JDK 8u60）：-XX：+ UseSuperWord：475.073±44.579 ns / op（每运算纳秒）-XX：-UseSuperWord：3376.364±233.211 ns / op

热循环的程序集在这里要格式化和保留很多，但是这里是一个片段（hsdis.so无法格式化一些AVX2矢量指令，所以我用-XX：UseAVX = 1运行了：-XX：+ UseSuperWord（带有'-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

快来冲城堡吧！

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

但是，这似乎仅对“简单循环”有效-至少目前如此。例如，累积数组无法向量化，但JDK-7192383

这是一篇关于试验由我的朋友编写的Java和SIMD指令的好文章：http : //prestodb.rocks/code/simd/

其一般结果是，您可以期望JIT在1.8中使用某些SSE操作（在1.9中使用更多）。尽管您期望不高，但是需要小心。

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

代码可以在CPU和/或GPU上运行，并且OpenCL语言还支持矢量类型，因此您应该能够显式利用例如SSE3 / 4指令。

看看Java和JNI之间的性能比较，以优化计算微内核的实现。他们表明Java HotSpot VM服务器编译器支持使用超单词级并行机制进行自动矢量化，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，以确保您的数据大小是否足以证明JNI路由的合理性。

我猜想您是在发现netlib-java之前写过这个问题的；-)它提供了您所需的本机API，并且具有机器优化的实现，并且由于内存固定，因此在本机边界没有任何成本。

我不相信大多数VM是否足够聪明地进行这种优化。公平地讲，大多数优化要简单得多，例如当幂为2时，移位而不是乘法。mono项目引入了自己的向量以及其他具有本机支持的方法来帮助提高性能。