]> git.sesse.net Git - movit/blob - fp16.h
Fix another set of test breakages on NVIDIA.
[movit] / fp16.h
1 #ifndef _MOVIT_FP16_H
2 #define _MOVIT_FP16_H 1
3
4 #ifdef __F16C__
5 #include <immintrin.h>
6 #endif
7
8 // Code for converting to and from fp16 (from fp64), without any particular
9 // machine support, with proper IEEE round-to-even behavior (and correct
10 // handling of NaNs and infinities). This is needed because some OpenGL
11 // drivers don't properly round off when asked to convert data themselves.
12 //
13 // These routines are originally written by Fabian Giesen, and released by
14 // him into the public domain;
15 // see https://fgiesen.wordpress.com/2012/03/28/half-to-float-done-quic/.
16 // They are quite fast, and can be vectorized if need be; of course, using
17 // the f16c instructions (see below) will be faster still.
18
19 namespace movit {
20
21 // structs instead of ints, so that they are not implicitly convertible.
22 struct fp32_int_t {
23         unsigned int val;
24 };
25 struct fp16_int_t {
26         unsigned short val;
27 };
28
29 #ifdef __F16C__
30
31 // Use the f16c instructions from Haswell if available (and we know that they
32 // are at compile time).
33 static inline float fp16_to_fp32(fp16_int_t x)
34 {
35         return _cvtsh_ss(x.val);
36 }
37
38 static inline fp16_int_t fp32_to_fp16(float x)
39 {
40         fp16_int_t ret;
41         ret.val = _cvtss_sh(x, 0);
42         return ret;
43 }
44
45 #else
46
47 union fp32 {
48         float f;
49         unsigned int u;
50 };
51
52 static inline float fp16_to_fp32(fp16_int_t h)
53 {
54         fp32 magic; magic.u = 113 << 23;
55         unsigned int shifted_exp = 0x7c00 << 13;  // exponent mask after shift
56         fp32 o;
57
58         // mantissa+exponent
59         unsigned int shifted = (h.val & 0x7fff) << 13;
60         unsigned int exponent = shifted & shifted_exp;
61
62         // exponent cases
63         o.u = shifted;
64         if (exponent == 0) {  // Zero / Denormal
65                 o.u += magic.u;
66                 o.f -= magic.f;
67         } else if (exponent == shifted_exp) {  // Inf/NaN
68                 o.u += (255 - 31) << 23;
69         } else {
70                 o.u += (127 - 15) << 23;
71         }
72
73         o.u |= (h.val & 0x8000) << 16;  // copy sign bit
74         return o.f;
75 }
76
77 static inline fp16_int_t fp32_to_fp16(float x)
78 {
79         fp32 f; f.f = x;
80         unsigned int f32infty = 255 << 23;
81         unsigned int f16max = (127 + 16) << 23;
82         fp32 denorm_magic; denorm_magic.u = ((127 - 15) + (23 - 10) + 1) << 23;
83         unsigned int sign_mask = 0x80000000u;
84         fp16_int_t o = { 0 };
85
86         unsigned int sign = f.u & sign_mask;
87         f.u ^= sign;
88
89         // NOTE all the integer compares in this function can be safely
90         // compiled into signed compares since all operands are below
91         // 0x80000000. Important if you want fast straight SSE2 code
92         // (since there's no unsigned PCMPGTD).
93
94         if (f.u >= f16max) {  // result is Inf or NaN (all exponent bits set)
95                 o.val = (f.u > f32infty) ? 0x7e00 : 0x7c00; // NaN->qNaN and Inf->Inf
96         } else {  // (De)normalized number or zero
97                 if (f.u < (113 << 23)) {  // resulting FP16 is subnormal or zero
98                         // use a magic value to align our 10 mantissa bits at the bottom of
99                         // the float. as long as FP addition is round-to-nearest-even this
100                         // just works.
101                         f.f += denorm_magic.f;
102
103                         // and one integer subtract of the bias later, we have our final float!
104                         o.val = f.u - denorm_magic.u;
105                 } else {
106                         unsigned int mant_odd = (f.u >> 13) & 1; // resulting mantissa is odd
107
108                         // update exponent, rounding bias part 1
109                         f.u += ((15 - 127) << 23) + 0xfff;
110                         // rounding bias part 2
111                         f.u += mant_odd;
112                         // take the bits!
113                         o.val = f.u >> 13;
114                 }
115         }
116
117         o.val |= sign >> 16;
118         return o;
119 }
120
121 #endif
122
123 // Overloads for use in templates.
124 static inline float to_fp32(double x) { return x; }
125 static inline float to_fp32(float x) { return x; }
126 static inline float to_fp32(fp16_int_t x) { return fp16_to_fp32(x); }
127
128 template<class T> inline T from_fp32(float x);
129 template<> inline double from_fp32<double>(float x) { return x; }
130 template<> inline float from_fp32<float>(float x) { return x; }
131 template<> inline fp16_int_t from_fp32<fp16_int_t>(float x) { return fp32_to_fp16(x); }
132
133 template<class From, class To>
134 inline To convert_float(From x) { return from_fp32<To>(to_fp32(x)); }
135
136 template<class Same>
137 inline Same convert_float(Same x) { return x; }
138
139 }  // namespace movit
140
141 #endif  // _MOVIT_FP16_H