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 not particularly fast.
  14
  15 namespace movit {
  16
  17 // structs instead of ints, so that they are not implicitly convertible.
  18 struct fp32_int_t {
  19         unsigned int val;
  20 };
  21 struct fp16_int_t {
  22         unsigned short val;
  23 };
  24
  25 #ifdef __F16C__
  26
  27 // Use the f16c instructions from Haswell if available (and we know that they
  28 // are at compile time).
  29 static inline double fp16_to_fp64(fp16_int_t x)
  30 {
  31         return _cvtsh_ss(x.val);
  32 }
  33
  34 static inline fp16_int_t fp64_to_fp16(double x)
  35 {
  36         // NOTE: Strictly speaking, there are some select values where this isn't correct,
  37         // since we first round to fp32 and then to fp16.
  38         fp16_int_t ret;
  39         ret.val = _cvtss_sh(x, 0);
  40         return ret;
  41 }
  42
  43 #else
  44
  45 double fp16_to_fp64(fp16_int_t x);
  46 fp16_int_t fp64_to_fp16(double x);
  47
  48 #endif
  49
  50 // These are not very useful by themselves, but are implemented using the same
  51 // code as the fp16 ones (just with different constants), so they are useful
  52 // for verifying against the FPU in unit tests.
  53 double fp32_to_fp64(fp32_int_t x);
  54 fp32_int_t fp64_to_fp32(double x);
  55
  56 // Overloads for use in templates.
  57 static inline double to_fp64(double x) { return x; }
  58 static inline double to_fp64(float x) { return x; }
  59 static inline double to_fp64(fp16_int_t x) { return fp16_to_fp64(x); }
  60
  61 template<class T> inline T from_fp64(double x);
  62 template<> inline double from_fp64<double>(double x) { return x; }
  63 template<> inline float from_fp64<float>(double x) { return x; }
  64 template<> inline fp16_int_t from_fp64<fp16_int_t>(double x) { return fp64_to_fp16(x); }
  65
  66 template<class From, class To>
  67 inline To convert_float(From x) { return from_fp64<To>(to_fp64(x)); }
  68
  69 template<class Same>
  70 inline Same convert_float(Same x) { return x; }
  71
  72 }  // namespace movit
  73
  74 #endif  // _MOVIT_FP16_H