web-dev-qa-db-ja.com

Javaでは2 *(i * i)が2 * i * iより速いのはなぜですか?

次のJavaプログラムは、実行に0.50秒から0.55秒かかります。

public static void main(String[] args) {
    long startTime = System.nanoTime();
    int n = 0;
    for (int i = 0; i < 1000000000; i++) {
        n += 2 * (i * i);
    }
    System.out.println((double) (System.nanoTime() - startTime) / 1000000000 + " s");
    System.out.println("n = " + n);
}

2 * (i * i)2 * i * iに置き換えた場合、実行には0.60から0.65秒かかります。どうして?

私はプログラムの各バージョンを15回実行しました。結果は次のとおりです。

 2*(i*i)  |  2*i*i
----------+----------
0.5183738 | 0.6246434
0.5298337 | 0.6049722
0.5308647 | 0.6603363
0.5133458 | 0.6243328
0.5003011 | 0.6541802
0.5366181 | 0.6312638
0.515149  | 0.6241105
0.5237389 | 0.627815
0.5249942 | 0.6114252
0.5641624 | 0.6781033
0.538412  | 0.6393969
0.5466744 | 0.6608845
0.531159  | 0.6201077
0.5048032 | 0.6511559
0.5232789 | 0.6544526

2 * i * iの最速実行は、最も遅い2 * (i * i)の実行よりも時間がかかりました。両者が同じくらい効率的であれば、この確率は1/2 ^ 15 * 100%= 0.00305%未満になります。

781
Stefan

バイトコードの順序にわずかな違いがあります。

2 * (i * i)

     iconst_2
     iload0
     iload0
     imul
     imul
     iadd

vs 2 * i * i

     iconst_2
     iload0
     imul
     iload0
     imul
     iadd

一見したところ、これは違いを生じないはずです。それが1つ少ないスロットを使用するので何でも第2版はより最適である。

だから我々はより低いレベルにもっと深く掘り下げる必要があります(JIT)1

JITは小さなループを非常に積極的に展開する傾向があることを忘れないでください。確かに、2 * (i * i)のケースでは16倍の展開が見られます。

030   B2: # B2 B3 <- B1 B2  Loop: B2-B2 inner main of N18 Freq: 1e+006
030     addl    R11, RBP    # int
033     movl    RBP, R13    # spill
036     addl    RBP, #14    # int
039     imull   RBP, RBP    # int
03c     movl    R9, R13 # spill
03f     addl    R9, #13 # int
043     imull   R9, R9  # int
047     sall    RBP, #1
049     sall    R9, #1
04c     movl    R8, R13 # spill
04f     addl    R8, #15 # int
053     movl    R10, R8 # spill
056     movdl   XMM1, R8    # spill
05b     imull   R10, R8 # int
05f     movl    R8, R13 # spill
062     addl    R8, #12 # int
066     imull   R8, R8  # int
06a     sall    R10, #1
06d     movl    [rsp + #32], R10    # spill
072     sall    R8, #1
075     movl    RBX, R13    # spill
078     addl    RBX, #11    # int
07b     imull   RBX, RBX    # int
07e     movl    RCX, R13    # spill
081     addl    RCX, #10    # int
084     imull   RCX, RCX    # int
087     sall    RBX, #1
089     sall    RCX, #1
08b     movl    RDX, R13    # spill
08e     addl    RDX, #8 # int
091     imull   RDX, RDX    # int
094     movl    RDI, R13    # spill
097     addl    RDI, #7 # int
09a     imull   RDI, RDI    # int
09d     sall    RDX, #1
09f     sall    RDI, #1
0a1     movl    RAX, R13    # spill
0a4     addl    RAX, #6 # int
0a7     imull   RAX, RAX    # int
0aa     movl    RSI, R13    # spill
0ad     addl    RSI, #4 # int
0b0     imull   RSI, RSI    # int
0b3     sall    RAX, #1
0b5     sall    RSI, #1
0b7     movl    R10, R13    # spill
0ba     addl    R10, #2 # int
0be     imull   R10, R10    # int
0c2     movl    R14, R13    # spill
0c5     incl    R14 # int
0c8     imull   R14, R14    # int
0cc     sall    R10, #1
0cf     sall    R14, #1
0d2     addl    R14, R11    # int
0d5     addl    R14, R10    # int
0d8     movl    R10, R13    # spill
0db     addl    R10, #3 # int
0df     imull   R10, R10    # int
0e3     movl    R11, R13    # spill
0e6     addl    R11, #5 # int
0ea     imull   R11, R11    # int
0ee     sall    R10, #1
0f1     addl    R10, R14    # int
0f4     addl    R10, RSI    # int
0f7     sall    R11, #1
0fa     addl    R11, R10    # int
0fd     addl    R11, RAX    # int
100     addl    R11, RDI    # int
103     addl    R11, RDX    # int
106     movl    R10, R13    # spill
109     addl    R10, #9 # int
10d     imull   R10, R10    # int
111     sall    R10, #1
114     addl    R10, R11    # int
117     addl    R10, RCX    # int
11a     addl    R10, RBX    # int
11d     addl    R10, R8 # int
120     addl    R9, R10 # int
123     addl    RBP, R9 # int
126     addl    RBP, [RSP + #32 (32-bit)]   # int
12a     addl    R13, #16    # int
12e     movl    R11, R13    # spill
131     imull   R11, R13    # int
135     sall    R11, #1
138     cmpl    R13, #999999985
13f     jl     B2   # loop end  P=1.000000 C=6554623.000000

スタックに「こぼれた」レジスタが1つあることがわかります。

そして2 * i * iバージョンのために:

05a   B3: # B2 B4 <- B1 B2  Loop: B3-B2 inner main of N18 Freq: 1e+006
05a     addl    RBX, R11    # int
05d     movl    [rsp + #32], RBX    # spill
061     movl    R11, R8 # spill
064     addl    R11, #15    # int
068     movl    [rsp + #36], R11    # spill
06d     movl    R11, R8 # spill
070     addl    R11, #14    # int
074     movl    R10, R9 # spill
077     addl    R10, #16    # int
07b     movdl   XMM2, R10   # spill
080     movl    RCX, R9 # spill
083     addl    RCX, #14    # int
086     movdl   XMM1, RCX   # spill
08a     movl    R10, R9 # spill
08d     addl    R10, #12    # int
091     movdl   XMM4, R10   # spill
096     movl    RCX, R9 # spill
099     addl    RCX, #10    # int
09c     movdl   XMM6, RCX   # spill
0a0     movl    RBX, R9 # spill
0a3     addl    RBX, #8 # int
0a6     movl    RCX, R9 # spill
0a9     addl    RCX, #6 # int
0ac     movl    RDX, R9 # spill
0af     addl    RDX, #4 # int
0b2     addl    R9, #2  # int
0b6     movl    R10, R14    # spill
0b9     addl    R10, #22    # int
0bd     movdl   XMM3, R10   # spill
0c2     movl    RDI, R14    # spill
0c5     addl    RDI, #20    # int
0c8     movl    RAX, R14    # spill
0cb     addl    RAX, #32    # int
0ce     movl    RSI, R14    # spill
0d1     addl    RSI, #18    # int
0d4     movl    R13, R14    # spill
0d7     addl    R13, #24    # int
0db     movl    R10, R14    # spill
0de     addl    R10, #26    # int
0e2     movl    [rsp + #40], R10    # spill
0e7     movl    RBP, R14    # spill
0ea     addl    RBP, #28    # int
0ed     imull   RBP, R11    # int
0f1     addl    R14, #30    # int
0f5     imull   R14, [RSP + #36 (32-bit)]   # int
0fb     movl    R10, R8 # spill
0fe     addl    R10, #11    # int
102     movdl   R11, XMM3   # spill
107     imull   R11, R10    # int
10b     movl    [rsp + #44], R11    # spill
110     movl    R10, R8 # spill
113     addl    R10, #10    # int
117     imull   RDI, R10    # int
11b     movl    R11, R8 # spill
11e     addl    R11, #8 # int
122     movdl   R10, XMM2   # spill
127     imull   R10, R11    # int
12b     movl    [rsp + #48], R10    # spill
130     movl    R10, R8 # spill
133     addl    R10, #7 # int
137     movdl   R11, XMM1   # spill
13c     imull   R11, R10    # int
140     movl    [rsp + #52], R11    # spill
145     movl    R11, R8 # spill
148     addl    R11, #6 # int
14c     movdl   R10, XMM4   # spill
151     imull   R10, R11    # int
155     movl    [rsp + #56], R10    # spill
15a     movl    R10, R8 # spill
15d     addl    R10, #5 # int
161     movdl   R11, XMM6   # spill
166     imull   R11, R10    # int
16a     movl    [rsp + #60], R11    # spill
16f     movl    R11, R8 # spill
172     addl    R11, #4 # int
176     imull   RBX, R11    # int
17a     movl    R11, R8 # spill
17d     addl    R11, #3 # int
181     imull   RCX, R11    # int
185     movl    R10, R8 # spill
188     addl    R10, #2 # int
18c     imull   RDX, R10    # int
190     movl    R11, R8 # spill
193     incl    R11 # int
196     imull   R9, R11 # int
19a     addl    R9, [RSP + #32 (32-bit)]    # int
19f     addl    R9, RDX # int
1a2     addl    R9, RCX # int
1a5     addl    R9, RBX # int
1a8     addl    R9, [RSP + #60 (32-bit)]    # int
1ad     addl    R9, [RSP + #56 (32-bit)]    # int
1b2     addl    R9, [RSP + #52 (32-bit)]    # int
1b7     addl    R9, [RSP + #48 (32-bit)]    # int
1bc     movl    R10, R8 # spill
1bf     addl    R10, #9 # int
1c3     imull   R10, RSI    # int
1c7     addl    R10, R9 # int
1ca     addl    R10, RDI    # int
1cd     addl    R10, [RSP + #44 (32-bit)]   # int
1d2     movl    R11, R8 # spill
1d5     addl    R11, #12    # int
1d9     imull   R13, R11    # int
1dd     addl    R13, R10    # int
1e0     movl    R10, R8 # spill
1e3     addl    R10, #13    # int
1e7     imull   R10, [RSP + #40 (32-bit)]   # int
1ed     addl    R10, R13    # int
1f0     addl    RBP, R10    # int
1f3     addl    R14, RBP    # int
1f6     movl    R10, R8 # spill
1f9     addl    R10, #16    # int
1fd     cmpl    R10, #999999985
204     jl     B2   # loop end  P=1.000000 C=7419903.000000

ここでは、より中間的な結果を保持する必要があるため、はるかに多くの "スピル"とスタック[RSP + ...]へのアクセスが見られます。

したがって、この質問に対する答えは簡単です。最初のケースではJITがより最適なアセンブリコードを生成するため、2 * (i * i)2 * i * iより高速です。


しかし、もちろん、最初のバージョンも2番目のバージョンもまったく良いものではないことは明らかです。すべてのx86-64 CPUが少なくともSSE2をサポートしているので、ループは本当にベクトル化の恩恵を受けることができます。

それはオプティマイザの問題です。多くの場合そうであるように、それはあまりにも積極的に展開し、足の中で自分自身を撃ちます、その間ずっと他の様々な機会を見逃しています。

事実、最新のx86-64 CPUは命令をさらにマイクロオペ(µops)に分解し、レジスタのリネーム、µopキャッシュ、ループバッファなどの機能により、ループの最適化は最適なパフォーマンスを得るための単純な展開よりもはるかに繊細です。 Agner Fogの最適化ガイドによれば

µopキャッシュによるパフォーマンスの向上は、平均命令長が4バイトを超える場合にはかなりのものになる可能性があります。 µopキャッシュの使用を最適化する次の方法が考えられます。

  • 重要なループがµopキャッシュに収まるほど小さいことを確認してください。
  • 最も重要なループエントリと関数エントリを32で揃えます。
  • 不要なループの展開を避けます。
  • 余分なロード時間がある命令を避ける
    。 。

それらのロード時間に関して - 最速のL1Dヒットでさえ4サイクルかかります 、余分なレジスタとµOP、そうはい、メモリへの少数のアクセスでさえタイトなループでパフォーマンスを損なうでしょう。

ベクトル化の可能性を考えてみましょう。 GCC を使って同様のCアプリケーションをコンパイルできます。これは完全にベクトル化されています(AVX2が表示され、SSE2も同様です)2

  vmovdqa ymm0, YMMWORD PTR .LC0[rip]
  vmovdqa ymm3, YMMWORD PTR .LC1[rip]
  xor eax, eax
  vpxor xmm2, xmm2, xmm2
.L2:
  vpmulld ymm1, ymm0, ymm0
  inc eax
  vpaddd ymm0, ymm0, ymm3
  vpslld ymm1, ymm1, 1
  vpaddd ymm2, ymm2, ymm1
  cmp eax, 125000000      ; 8 calculations per iteration
  jne .L2
  vmovdqa xmm0, xmm2
  vextracti128 xmm2, ymm2, 1
  vpaddd xmm2, xmm0, xmm2
  vpsrldq xmm0, xmm2, 8
  vpaddd xmm0, xmm2, xmm0
  vpsrldq xmm1, xmm0, 4
  vpaddd xmm0, xmm0, xmm1
  vmovd eax, xmm0
  vzeroupper

実行時

  • SSE:0.24秒、または2倍速い。
  • AVX:0.15秒、または3倍速い。
  • AVX2:0.08秒、または5倍速い。

1JITが生成したアセンブリ出力を取得するには、 デバッグJVMを取得します を使用して-XX:+PrintOptoAssemblyを実行します。

2Cバージョンは-fwrapvフラグを付けてコンパイルされているので、GCCは符号付き整数オーバーフローを2の補数のラップアラウンドとして扱うことができます。

1118
rustyx

乗算が2 * (i * i)の場合、JVMはループから2による乗算を除外することができます。その結果、同等で効率的なコードになります。

int n = 0;
for (int i = 0; i < 1000000000; i++) {
    n += i * i;
}
n *= 2;

しかし、乗算が(2 * i) * iの場合、定数による乗算は加算の直前ではなくなるため、JVMは最適化しません。

これが本当だと思う理由はいくつかあります。

  • ループの先頭にif (n == 0) n = 1ステートメントを追加すると、乗算を除外しても結果が同じになることが保証されなくなるため、両方のバージョンで効率がよくなります。
  • 最適化されたバージョン(2の乗算を因数分解することによって)は、2 * (i * i)バージョンと全く同じくらい高速です。

これが私がこれらの結論を引き出すために使用したテストコードです:

public static void main(String[] args) {
    long fastVersion = 0;
    long slowVersion = 0;
    long optimizedVersion = 0;
    long modifiedFastVersion = 0;
    long modifiedSlowVersion = 0;

    for (int i = 0; i < 10; i++) {
        fastVersion += fastVersion();
        slowVersion += slowVersion();
        optimizedVersion += optimizedVersion();
        modifiedFastVersion += modifiedFastVersion();
        modifiedSlowVersion += modifiedSlowVersion();
    }

    System.out.println("Fast version: " + (double) fastVersion / 1000000000 + " s");
    System.out.println("Slow version: " + (double) slowVersion / 1000000000 + " s");
    System.out.println("Optimized version: " + (double) optimizedVersion / 1000000000 + " s");
    System.out.println("Modified fast version: " + (double) modifiedFastVersion / 1000000000 + " s");
    System.out.println("Modified slow version: " + (double) modifiedSlowVersion / 1000000000 + " s");
}

private static long fastVersion() {
    long startTime = System.nanoTime();
    int n = 0;
    for (int i = 0; i < 1000000000; i++) {
        n += 2 * (i * i);
    }
    return System.nanoTime() - startTime;
}

private static long slowVersion() {
    long startTime = System.nanoTime();
    int n = 0;
    for (int i = 0; i < 1000000000; i++) {
        n += 2 * i * i;
    }
    return System.nanoTime() - startTime;
}

private static long optimizedVersion() {
    long startTime = System.nanoTime();
    int n = 0;
    for (int i = 0; i < 1000000000; i++) {
        n += i * i;
    }
    n *= 2;
    return System.nanoTime() - startTime;
}

private static long modifiedFastVersion() {
    long startTime = System.nanoTime();
    int n = 0;
    for (int i = 0; i < 1000000000; i++) {
        if (n == 0) n = 1;
        n += 2 * (i * i);
    }
    return System.nanoTime() - startTime;
}

private static long modifiedSlowVersion() {
    long startTime = System.nanoTime();
    int n = 0;
    for (int i = 0; i < 1000000000; i++) {
        if (n == 0) n = 1;
        n += 2 * i * i;
    }
    return System.nanoTime() - startTime;
}

そして、これが結果です。

Fast version: 5.7274411 s
Slow version: 7.6190804 s
Optimized version: 5.1348007 s
Modified fast version: 7.1492705 s
Modified slow version: 7.2952668 s
125
Runemoro

バイトコード: https://cs.nyu.edu/courses/fall00/V22.0201-001/jvm2.html バイトコードビューア: https://github.com/Konloch/bytecode-viewer

私のJDK(Windows 10 64 bit、1.8.0_65-b17)では、再現して説明することができます。

public static void main(String[] args) {
    int repeat = 10;
    long A = 0;
    long B = 0;
    for (int i = 0; i < repeat; i++) {
        A += test();
        B += testB();
    }

    System.out.println(A / repeat + " ms");
    System.out.println(B / repeat + " ms");
}


private static long test() {
    int n = 0;
    for (int i = 0; i < 1000; i++) {
        n += multi(i);
    }
    long startTime = System.currentTimeMillis();
    for (int i = 0; i < 1000000000; i++) {
        n += multi(i);
    }
    long ms = (System.currentTimeMillis() - startTime);
    System.out.println(ms + " ms A " + n);
    return ms;
}


private static long testB() {
    int n = 0;
    for (int i = 0; i < 1000; i++) {
        n += multiB(i);
    }
    long startTime = System.currentTimeMillis();
    for (int i = 0; i < 1000000000; i++) {
        n += multiB(i);
    }
    long ms = (System.currentTimeMillis() - startTime);
    System.out.println(ms + " ms B " + n);
    return ms;
}

private static int multiB(int i) {
    return 2 * (i * i);
}

private static int multi(int i) {
    return 2 * i * i;
}

出力:

...
405 ms A 785527736
327 ms B 785527736
404 ms A 785527736
329 ms B 785527736
404 ms A 785527736
328 ms B 785527736
404 ms A 785527736
328 ms B 785527736
410 ms
333 ms

なぜ?バイトコードはこれです:

 private static multiB(int arg0) { // 2 * (i * i)
     <localVar:index=0, name=i , desc=I, sig=null, start=L1, end=L2>

     L1 {
         iconst_2
         iload0
         iload0
         imul
         imul
         ireturn
     }
     L2 {
     }
 }

 private static multi(int arg0) { // 2 * i * i
     <localVar:index=0, name=i , desc=I, sig=null, start=L1, end=L2>

     L1 {
         iconst_2
         iload0
         imul
         iload0
         imul
         ireturn
     }
     L2 {
     }
 }

違いは以下のとおりです。大括弧(2 * (i * i))付き:

  • Constスタックをプッシュする
  • ローカルでスタックをプッシュする
  • ローカルでスタックをプッシュする
  • スタックの先頭を乗算
  • スタックの先頭を乗算

大括弧なし(2 * i * i):

  • Constスタックをプッシュする
  • ローカルでスタックをプッシュする
  • スタックの先頭を乗算
  • ローカルでスタックをプッシュする
  • スタックの先頭を乗算

すべてをスタックにロードしてから元に戻すのは、スタックをオンにすることとそれを操作することを切り替えるよりも高速です。

40
DSchmidt

Kasperd は受け入れられた答えのコメントで尋ねた:

JavaとCの例ではまったく異なるレジスタ名を使用しています。どちらの例もAMD64 ISAを使用していますか?

xor edx, edx
xor eax, eax
.L2:
mov ecx, edx
imul ecx, edx
add edx, 1
lea eax, [rax+rcx*2]
cmp edx, 1000000000
jne .L2

私はコメントでこれに答えるための十分な評判を持っていません、しかしこれらは同じISAです。 GCCバージョンは32ビット整数ロジックを使用し、JVMコンパイルバージョンは64ビット整数ロジックを内部で使用していることを指摘する価値があります。

R8からR15は新しいX86_64 レジスタ です。 EAXからEDXは、RAXからRDXへの汎用レジスタの下位部分です。答えの重要な部分は、GCCバージョンが展開されていないということです。実際のマシンコードループごとに1回のループを実行するだけです。 JVMバージョンでは、1回の物理的なループに16回のループが含まれています(rustyxの回答に基づくと、アセンブリは再解釈されませんでした)。これが、ループ本体が実際には16倍長いために、使用されるレジスターの数が増えている理由の1つです。

34
Puzzled

質問の環境には直接関係しませんが、好奇心のためだけに、.NET Core 2.1 x 64、リリースモードで同じテストを行いました。

これはおもしろい結果で、力の暗い面でも同じような(逆の方法で)現象が起こっていることを確認しています。コード:

static void Main(string[] args)
{
    Stopwatch watch = new Stopwatch();

    Console.WriteLine("2 * (i * i)");

    for (int a = 0; a < 10; a++)
    {
        int n = 0;

        watch.Restart();

        for (int i = 0; i < 1000000000; i++)
        {
            n += 2 * (i * i);
        }

        watch.Stop();

        Console.WriteLine($"result:{n}, {watch.ElapsedMilliseconds} ms");
    }

    Console.WriteLine();
    Console.WriteLine("2 * i * i");

    for (int a = 0; a < 10; a++)
    {
        int n = 0;

        watch.Restart();

        for (int i = 0; i < 1000000000; i++)
        {
            n += 2 * i * i;
        }

        watch.Stop();

        Console.WriteLine($"result:{n}, {watch.ElapsedMilliseconds}ms");
    }
}

結果:

2 *(i * i)

  • 結果:119860736、438ミリ秒
  • 結果:119860736、433ミリ秒
  • 結果:119860736、437ミリ秒
  • 結果:119860736、435ミリ秒
  • 結果:119860736、436ミリ秒
  • 結果:119860736、435ミリ秒
  • 結果:119860736、435ミリ秒
  • 結果:119860736、439ミリ秒
  • 結果:119860736、436ミリ秒
  • 結果:119860736、437ミリ秒

2 * i * i

  • 結果:119860736、417ミリ秒
  • 結果:119860736、417ミリ秒
  • 結果:119860736、417ミリ秒
  • 結果:119860736、418ミリ秒
  • 結果:119860736、418ミリ秒
  • 結果:119860736、417ミリ秒
  • 結果:119860736、418ミリ秒
  • 結果:119860736、416ミリ秒
  • 結果:119860736、417ミリ秒
  • 結果:119860736、418ミリ秒
29
Ünsal Ersöz

私は同様の結果を得ました:

2 * (i * i): 0.458765943 s, n=119860736
2 * i * i: 0.580255126 s, n=119860736

両方のループが同じプログラムにある場合、またはそれぞれが別々の実行で実行される別々の.Javaファイル/ .classにある場合は、 _ same _ の結果が得られます。

最後に、これはそれぞれのjavap -c -v <.Java>逆コンパイルです。

     3: ldc           #3                  // String 2 * (i * i):
     5: invokevirtual #4                  // Method Java/io/PrintStream.print:(Ljava/lang/String;)V
     8: invokestatic  #5                  // Method Java/lang/System.nanoTime:()J
     8: invokestatic  #5                  // Method Java/lang/System.nanoTime:()J
    11: lstore_1
    12: iconst_0
    13: istore_3
    14: iconst_0
    15: istore        4
    17: iload         4
    19: ldc           #6                  // int 1000000000
    21: if_icmpge     40
    24: iload_3
    25: iconst_2
    26: iload         4
    28: iload         4
    30: imul
    31: imul
    32: iadd
    33: istore_3
    34: iinc          4, 1
    37: goto          17

vs.

     3: ldc           #3                  // String 2 * i * i:
     5: invokevirtual #4                  // Method Java/io/PrintStream.print:(Ljava/lang/String;)V
     8: invokestatic  #5                  // Method Java/lang/System.nanoTime:()J
    11: lstore_1
    12: iconst_0
    13: istore_3
    14: iconst_0
    15: istore        4
    17: iload         4
    19: ldc           #6                  // int 1000000000
    21: if_icmpge     40
    24: iload_3
    25: iconst_2
    26: iload         4
    28: imul
    29: iload         4
    31: imul
    32: iadd
    33: istore_3
    34: iinc          4, 1
    37: goto          17

ちなみに -

Java -version
Java version "1.8.0_121"
Java(TM) SE Runtime Environment (build 1.8.0_121-b13)
Java HotSpot(TM) 64-Bit Server VM (build 25.121-b13, mixed mode)
20
paulsm4

デフォルトのアーキタイプを使用してJMHを試しました。 Runemoroの説明 に基づいて最適化されたバージョンも追加しました。

@State(Scope.Benchmark)
@Warmup(iterations = 2)
@Fork(1)
@Measurement(iterations = 10)
@OutputTimeUnit(TimeUnit.NANOSECONDS)
//@BenchmarkMode({ Mode.All })
@BenchmarkMode(Mode.AverageTime)
public class MyBenchmark {
  @Param({ "100", "1000", "1000000000" })
  private int size;

  @Benchmark
  public int two_square_i() {
    int n = 0;
    for (int i = 0; i < size; i++) {
      n += 2 * (i * i);
    }
    return n;
  }

  @Benchmark
  public int square_i_two() {
    int n = 0;
    for (int i = 0; i < size; i++) {
      n += i * i;
    }
    return 2*n;
  }

  @Benchmark
  public int two_i_() {
    int n = 0;
    for (int i = 0; i < size; i++) {
      n += 2 * i * i;
    }
    return n;
  }
}

結果は次のとおりです。

Benchmark                           (size)  Mode  Samples          Score   Score error  Units
o.s.MyBenchmark.square_i_two           100  avgt       10         58,062         1,410  ns/op
o.s.MyBenchmark.square_i_two          1000  avgt       10        547,393        12,851  ns/op
o.s.MyBenchmark.square_i_two    1000000000  avgt       10  540343681,267  16795210,324  ns/op
o.s.MyBenchmark.two_i_                 100  avgt       10         87,491         2,004  ns/op
o.s.MyBenchmark.two_i_                1000  avgt       10       1015,388        30,313  ns/op
o.s.MyBenchmark.two_i_          1000000000  avgt       10  967100076,600  24929570,556  ns/op
o.s.MyBenchmark.two_square_i           100  avgt       10         70,715         2,107  ns/op
o.s.MyBenchmark.two_square_i          1000  avgt       10        686,977        24,613  ns/op
o.s.MyBenchmark.two_square_i    1000000000  avgt       10  652736811,450  27015580,488  ns/op

私のPC( Core i7 860-スマートフォンで読むこと以外は何もしていません):

  • n += i*iその後n*2が最初
  • 2 * (i * i)は2番目です。

JVMは明らかに、人間と同じ方法で最適化されていません(Runemoroの回答に基づく)。

次に、バイトコードを読み取ります:javap -c -v ./target/classes/org/sample/MyBenchmark.class

私はバイトコードの専門家ではありませんが、imulname__の前にiload_2:おそらく違いがあるでしょう:JVMがiname__の読み取りを2回最適化すると仮定できます(iname__は既にここにあり、再度読み込む必要はありません) 2*i*iはできません。

16
NoDataFound

さらに補遺です。 IBMの最新のJava 8 JVMを使用して実験を再現しました。

Java version "1.8.0_191"
Java(TM) 2 Runtime Environment, Standard Edition (IBM build 1.8.0_191-b12 26_Oct_2018_18_45 Mac OS X x64(SR5 FP25))
Java HotSpot(TM) 64-Bit Server VM (build 25.191-b12, mixed mode)

これは非常によく似た結果を示しています。

0.374653912 s
n = 119860736
0.447778698 s
n = 119860736

(2 * i * iを使った2番目の結果).

興味深いことに、同じマシンでOracle Javaを使用している場合は、次のようになります。

Java version "1.8.0_181"
Java(TM) SE Runtime Environment (build 1.8.0_181-b13)
Java HotSpot(TM) 64-Bit Server VM (build 25.181-b13, mixed mode)

結果は平均して少し遅くなります。

0.414331815 s
n = 119860736
0.491430656 s
n = 119860736

短い話:HotSpotのマイナーバージョン番号でさえ、ここで問題になります。JIT実装内のわずかな違いが顕著な影響を与える可能性があるからです。

13
GhostCat

Java 11 を使用し、次のVMオプションを使用してループの展開をオフにする興味深い観察

-XX:LoopUnrollLimit=0

2 * (i * i)式を使ったループは、よりコンパクトなネイティブコードになります。1

L0001: add    eax,r11d
       inc    r8d
       mov    r11d,r8d
       imul   r11d,r8d
       shl    r11d,1h
       cmp    r8d,r10d
       jl     L0001

2 * i * iバージョンと比較して:

L0001: add    eax,r11d
       mov    r11d,r8d
       shl    r11d,1h
       add    r11d,2h
       inc    r8d
       imul   r11d,r8d
       cmp    r8d,r10d
       jl     L0001

Javaのバージョン

Java version "11" 2018-09-25
Java(TM) SE Runtime Environment 18.9 (build 11+28)
Java HotSpot(TM) 64-Bit Server VM 18.9 (build 11+28, mixed mode)

ベンチマーク結果:

Benchmark          (size)  Mode  Cnt    Score     Error  Units
LoopTest.fast  1000000000  avgt    5  694,868 ±  36,470  ms/op
LoopTest.slow  1000000000  avgt    5  769,840 ± 135,006  ms/op

ベンチマークのソースコード:

@BenchmarkMode(Mode.AverageTime)
@OutputTimeUnit(TimeUnit.MILLISECONDS)
@Warmup(iterations = 5, time = 5, timeUnit = TimeUnit.SECONDS)
@Measurement(iterations = 5, time = 5, timeUnit = TimeUnit.SECONDS)
@State(Scope.Thread)
@Fork(1)
public class LoopTest {

    @Param("1000000000") private int size;

    public static void main(String[] args) throws RunnerException {
        Options opt =
            new OptionsBuilder().include(LoopTest.class.getSimpleName())
                                .jvmArgs("-XX:LoopUnrollLimit=0")
                                .build();
        new Runner(opt).run();
    }

    @Benchmark
    public int slow() {
        int n = 0;
        for (int i = 0; i < size; i++) {
            n += 2 * i * i;
        }
        return n;
    }

    @Benchmark
    public int fast() {
        int n = 0;
        for (int i = 0; i < size; i++) {
            n += 2 * (i * i);
        }
        return n;
    }
}

1 - VM使用されるオプション:-XX:+UnlockDiagnosticVMOptions -XX:+PrintAssembly -XX:LoopUnrollLimit=0

13
Oleksandr

2つの加算方法は、わずかに異なるバイトコードを生成します。

  17: iconst_2
  18: iload         4
  20: iload         4
  22: imul
  23: imul
  24: iadd

2 * (i * i) vsの場合:

  17: iconst_2
  18: iload         4
  20: imul
  21: iload         4
  23: imul
  24: iadd

2 * i * iの場合.

そして _ jmh _ のベンチマークを使うと

@Warmup(iterations = 5, batchSize = 1)
@Measurement(iterations = 5, batchSize = 1)
@Fork(1)
@BenchmarkMode(Mode.AverageTime)
@OutputTimeUnit(TimeUnit.MILLISECONDS)
@State(Scope.Benchmark)
public class MyBenchmark {

    @Benchmark
    public int noBrackets() {
        int n = 0;
        for (int i = 0; i < 1000000000; i++) {
            n += 2 * i * i;
        }
        return n;
    }

    @Benchmark
    public int brackets() {
        int n = 0;
        for (int i = 0; i < 1000000000; i++) {
            n += 2 * (i * i);
        }
        return n;
    }

}

違いは明らかです。

# JMH version: 1.21
# VM version: JDK 11, Java HotSpot(TM) 64-Bit Server VM, 11+28
# VM options: <none>

Benchmark                      (n)  Mode  Cnt    Score    Error  Units
MyBenchmark.brackets    1000000000  avgt    5  380.889 ± 58.011  ms/op
MyBenchmark.noBrackets  1000000000  avgt    5  512.464 ± 11.098  ms/op

あなたが観察したものは正しいものであり、あなたのベンチマークスタイルの異常ではありません(すなわちウォームアップなし、 Javaで正しいマイクロベンチマークを書くにはどうすればいいですか?

Graalで再度実行します。

# JMH version: 1.21
# VM version: JDK 11, Java HotSpot(TM) 64-Bit Server VM, 11+28
# VM options: -XX:+UnlockExperimentalVMOptions -XX:+EnableJVMCI -XX:+UseJVMCICompiler

Benchmark                      (n)  Mode  Cnt    Score    Error  Units
MyBenchmark.brackets    1000000000  avgt    5  335.100 ± 23.085  ms/op
MyBenchmark.noBrackets  1000000000  avgt    5  331.163 ± 50.670  ms/op

Graalは全体的にパフォーマンスが良く、より現代的なコンパイラーなので、結果ははるかに近いことがわかります。

したがって、これはJITコンパイラが特定のコードをどれだけ最適化できるかにかかっています。必ずしも論理的な理由があるわけではありません。

5
Jorn Vernee