git.sesse.net Git - movit/blob - 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 float fp16_to_fp32(fp16_int_t x);
  48 fp16_int_t fp32_to_fp16(float x);
  49
  50 #endif
  51
  52 // Overloads for use in templates.
  53 static inline float to_fp32(double x) { return x; }
  54 static inline float to_fp32(float x) { return x; }
  55 static inline float to_fp32(fp16_int_t x) { return fp16_to_fp32(x); }
  56
  57 template<class T> inline T from_fp32(float x);
  58 template<> inline double from_fp32<double>(float x) { return x; }
  59 template<> inline float from_fp32<float>(float x) { return x; }
  60 template<> inline fp16_int_t from_fp32<fp16_int_t>(float x) { return fp32_to_fp16(x); }
  61
  62 template<class From, class To>
  63 inline To convert_float(From x) { return from_fp32<To>(to_fp32(x)); }
  64
  65 template<class Same>
  66 inline Same convert_float(Same x) { return x; }
  67
  68 }  // namespace movit
  69
  70 #endif  // _MOVIT_FP16_H