Math.fma() 通过单次舍入提升精度，减少多次浮点运算累积误差，在矩阵乘法、Cholesky分解等含乘加结构的场景中避免重算或发散；需CPU支持FMA指令且显式调用，初始值须为0.0。
Math.fma() 不是“靠它单独提速”，而是通过减少舍入误差，在特定计算模式下让精度提升转化为实际性能收益——尤其当精度不足会导致重算、迭代发散或结果校验失败时。
理解 fma 的本质：一次舍入，不是两次
普通写法 a * b + c 实际执行两步浮点运算：先算 a * b（舍入一次），再加 c（再舍入一次）。而 Math.fma(a, b, c) 把整个 a×b+c 当作一个原子操作：中间乘积保持无限精度，只在最终结果上做一次舍入。
- 这对 double 类型可能只差 1 ULP（最后一位），但累加几十次后，误差可能放大 10 倍以上
- float 更敏感——本身只有约 7 位有效数字，两次舍入损失更明显
- Java 不会自动把
a*b+c替换成 fma，必须显式调用
真正能发挥 fma 价值的矩阵计算场景
不是所有矩阵运算都适合。关键看是否含大量“乘后累加”结构，且对中间精度敏感：
-
矩阵乘法内积循环：计算
C[i][j] += A[i][k] * B[k][j]时，用sum = Math.fma(A[i][k], B[k][j], sum)替代sum += A[i][k] * B[k][j] -
Cholesky 分解中的更新步：如
L[i][j] = (A[i][j] - sum) / L[j][j]，其中sum是多个L[i][k] * L[j][k]累加，fma 可抑制残差漂移 -
Gram-Schmidt 正交化：投影减法
v = v - dot(u, v) * u中，dot(u, v)本身就是内积，后续缩放再减，误差易累积
硬件支持决定实际开销与收益
Math.fma() 在现代 JVM（JDK 9+）中会尝试映射到底层 CPU 的 FMA 指令（如 x86 的 vfmadd231pd 或 ARM64 的 fmla），但前提是：
立即学习“Java免费学习笔记（深入）”；
- CPU 支持 FMA 指令集（Intel AVX2+/AMD AVX-512/ARMv8.0+）
- JVM 运行时启用相关优化（HotSpot 默认开启，无需额外 flag）
- 避免在不支持平台硬编码 fallback——此时为软件模拟，略慢但精度仍优
可通过 java -XX:+PrintAssembly 查看是否生成了 FMA 指令，或用 JMH 对比同一段内积循环在不同 CPU 上的吞吐量变化。
正确写法和常见陷阱
顺序和初始化直接影响效果：
- ✅ 正确：
sum = Math.fma(a[i], b[i], sum)（新乘积融合进旧和） - ❌ 错误：
sum = Math.fma(sum, 1.0, a[i] * b[i])（先算乘积再 fma，失去优势） - ✅ 初始值必须为
0.0（或准确的初始偏置），不能是 NaN 或无穷大 - ⚠️ 不适用于
long或BigDecimal；仅支持float和double重载
