VectorBLAS简介
VectorBLAS是一个使用Java语言实现的向量化BLAS高性能库,目前已在openEuler社区开源。
VectorBLAS通过循环展开、矩阵分块和内存布局优化等算法优化,对BLAS函数进行了深度优化,并利用VectorAPI JDK提供的多种向量化API实现。
可以理解为:VectorBLAS = VectorAPI + BLAS。
BLAS简介:
BLAS(Basic Linear Algebra Subprograms)是进行向量和矩阵等基本线性代数操作的数值库,是LAPACK(Linear Algebra Package)的一部分。
在高性能计算领域中被广泛应用,由此衍生出大量优化版本,如OpenBLAS、Intel的Intel MKL等优化版本。
主要支持三个级别的运算:分别支持向量与向量、向量与矩阵、矩阵与矩阵的相关操作。
VectorAPI简介:
VectorAPI是Java端为实现SIMD向量化功能提供的一个抽象层,从JDK16开始发布,目前已孵化到第六代(JDK21)。
VectorAPI提供的能力包括:
- 定义更清晰及准确的向量化API,使用户更直接的实现向量化;
- 与平台无关:支持AArch64和x86等平台,支持NEON、SVE、AVX等多种向量化指令,一份代码多处可用;
应用场景:
目前BLAS库在大数据、HPC和机器学习等高性能计算中被广泛使用。例如大数据组件Spark
中的多种机器学习算法(如:KMeans
、 LDA
、 PCA
、 Bayes
、 GMM
、 SVM
等)都用到了BLAS函数接口gemm
、 gemv
、 axpy
、 dot
、 spr
等。
主要优化方法
1. VectorAPI向量化
BLAS库中的函数分为矢量-矢量、矢量-矩阵、矩阵-矩阵的计算,其中多数场景为对数组、矩阵进行计算,因此使用向量化进行优化,一次处理多个数据,提升效率,下面以daxpy函数为例:
daxpy => y = alpha * x + y, 其中alpha为常数,x和y为一维向量,数据类型均为double;
原生朴素实现:对x和y中的元素逐个计算;
向量化实现:以256位宽的寄存器为例,一次可以处理2个double类型,即一次对alpha、x和y做两次乘加操作;
可以看出,向量化操作可以成倍的提升处理效率,目前的向量化寄存器有128、256、512等大小的位宽,SVE等指令集甚至最高可支持2048位。
2. 循环展开
循环展开是一种循环转换技术, 通过减少或消除控制程序循环的指令,来减少计算开销,这种开销包括增加指向数组中下一个索引或者指令的指针算数等,还可以减少循环的次数,每次循环内的计算也可以利用CPU的流水线提升效率;
JDK中的JIT即时编译器也有针对循环进行自动优化,尤其是使用int, short, 或者char变量作为计数器的计数循环(counted loops)
VectorBLAS主要分析函数特性,通过把循环改造为counted loop,或手动对关键循环进行展开,以此提高执行效率;
3. 矩阵分块
矩阵分块是一种cache优化手段,当数组、矩阵的规模较大的时候,在N层循环中的跨度太大时,无法fit in the cache
,数据则会被清出了缓存,造成较高的cache miss
率;
通过矩阵分块,可以将小块数据锁在L1/L2 Cache中,提高cache命中,降低cache miss
率。
4. Packing
Packing优化又称为内存布局优化,因矩阵在数组中一般是按列存储或者按行存储,若计算时不是按照整行整列的顺序进行,那么就需要跨列或跨行读取数据。
Packing指的是在内存中新开一块空间,在这块空间内重新排布数据,使得数据的读取可以变得连续,减少cache miss,提升读取速度,Packing一般与矩阵分块搭配使用。
性能数据
现有版本基于鲲鹏服务器测试验证,性能相较于业界同类库F2jBLAS/ludovic.netlib都有提升,如下图所示:
后续规划
本项目已开源在openEuler社区,当前版本实现了BLAS库中的主要接口,后续规划如下:
- 支持Level1、Level2、Level3中更多的函数接口;
- 补充完善UT和Benchmark;
- 对于不同平台/指令集的调优;
4.结合Spark MLlib等机器学习算法库进行性能优化。
欢迎感兴趣的朋友们参与进来,代码地址:https://gitee.com/openeuler/vectorBlas
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。