git.sesse.net Git - stockfish/blob - src/nnue/layers/affine_transform.h

   1 /*
   2   Stockfish, a UCI chess playing engine derived from Glaurung 2.1
   3   Copyright (C) 2004-2020 The Stockfish developers (see AUTHORS file)
   4
   5   Stockfish is free software: you can redistribute it and/or modify
   6   it under the terms of the GNU General Public License as published by
   7   the Free Software Foundation, either version 3 of the License, or
   8   (at your option) any later version.
   9
  10   Stockfish is distributed in the hope that it will be useful,
  11   but WITHOUT ANY WARRANTY; without even the implied warranty of
  12   MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  13   GNU General Public License for more details.
  14
  15   You should have received a copy of the GNU General Public License
  16   along with this program.  If not, see <http://www.gnu.org/licenses/>.
  17 */
  18
  19 // Definition of layer AffineTransform of NNUE evaluation function
  20
  21 #ifndef NNUE_LAYERS_AFFINE_TRANSFORM_H_INCLUDED
  22 #define NNUE_LAYERS_AFFINE_TRANSFORM_H_INCLUDED
  23
  24 #include <iostream>
  25 #include "../nnue_common.h"
  26
  27 namespace Eval::NNUE::Layers {
  28
  29   // Affine transformation layer
  30   template <typename PreviousLayer, IndexType OutputDimensions>
  31   class AffineTransform {
  32    public:
  33     // Input/output type
  34     using InputType = typename PreviousLayer::OutputType;
  35     using OutputType = std::int32_t;
  36     static_assert(std::is_same<InputType, std::uint8_t>::value, "");
  37
  38     // Number of input/output dimensions
  39     static constexpr IndexType kInputDimensions =
  40         PreviousLayer::kOutputDimensions;
  41     static constexpr IndexType kOutputDimensions = OutputDimensions;
  42     static constexpr IndexType kPaddedInputDimensions =
  43         CeilToMultiple<IndexType>(kInputDimensions, kMaxSimdWidth);
  44
  45     // Size of forward propagation buffer used in this layer
  46     static constexpr std::size_t kSelfBufferSize =
  47         CeilToMultiple(kOutputDimensions * sizeof(OutputType), kCacheLineSize);
  48
  49     // Size of the forward propagation buffer used from the input layer to this layer
  50     static constexpr std::size_t kBufferSize =
  51         PreviousLayer::kBufferSize + kSelfBufferSize;
  52
  53     // Hash value embedded in the evaluation file
  54     static constexpr std::uint32_t GetHashValue() {
  55       std::uint32_t hash_value = 0xCC03DAE4u;
  56       hash_value += kOutputDimensions;
  57       hash_value ^= PreviousLayer::GetHashValue() >> 1;
  58       hash_value ^= PreviousLayer::GetHashValue() << 31;
  59       return hash_value;
  60     }
  61
  62    // Read network parameters
  63     bool ReadParameters(std::istream& stream) {
  64       if (!previous_layer_.ReadParameters(stream)) return false;
  65       for (std::size_t i = 0; i < kOutputDimensions; ++i)
  66         biases_[i] = read_little_endian<BiasType>(stream);
  67       for (std::size_t i = 0; i < kOutputDimensions * kPaddedInputDimensions; ++i)
  68         weights_[i] = read_little_endian<WeightType>(stream);
  69       return !stream.fail();
  70     }
  71
  72     // Forward propagation
  73     const OutputType* Propagate(
  74         const TransformedFeatureType* transformed_features, char* buffer) const {
  75       const auto input = previous_layer_.Propagate(
  76           transformed_features, buffer + kSelfBufferSize);
  77
  78 #if defined (USE_AVX512)
  79
  80       [[maybe_unused]] const __m512i kOnes512 = _mm512_set1_epi16(1);
  81
  82       [[maybe_unused]] auto m512_hadd = [](__m512i sum, int bias) -> int {
  83         return _mm512_reduce_add_epi32(sum) + bias;
  84       };
  85
  86       // This function takes
  87       //   sum0 = [xmm0a, xmm0b, xmm0c, xmm0d]
  88       //   sum1 = [xmm1a, xmm1b, xmm1c, xmm1d]
  89       //   sum2 = [xmm2a, xmm2b, xmm2c, xmm2d]
  90       //   sum3 = [xmm3a, xmm3b, xmm3c, xmm3d]
  91       // and returns
  92       //   ret = [
  93       //     reduce_add_epi32(xmm0a), reduce_add_epi32(xmm1a), reduce_add_epi32(xmm2a), reduce_add_epi32(xmm3a),
  94       //     reduce_add_epi32(xmm0b), reduce_add_epi32(xmm1b), reduce_add_epi32(xmm2b), reduce_add_epi32(xmm3b),
  95       //     reduce_add_epi32(xmm0c), reduce_add_epi32(xmm1c), reduce_add_epi32(xmm2c), reduce_add_epi32(xmm3c),
  96       //     reduce_add_epi32(xmm0d), reduce_add_epi32(xmm1d), reduce_add_epi32(xmm2d), reduce_add_epi32(xmm3d)
  97       //   ]
  98       [[maybe_unused]] auto m512_hadd128x16_interleave = [](
  99         __m512i sum0, __m512i sum1, __m512i sum2, __m512i sum3) -> __m512i {
 100
 101         __m512i sum01a = _mm512_unpacklo_epi32(sum0, sum1);
 102         __m512i sum01b = _mm512_unpackhi_epi32(sum0, sum1);
 103
 104         __m512i sum23a = _mm512_unpacklo_epi32(sum2, sum3);
 105         __m512i sum23b = _mm512_unpackhi_epi32(sum2, sum3);
 106
 107         __m512i sum01 = _mm512_add_epi32(sum01a, sum01b);
 108         __m512i sum23 = _mm512_add_epi32(sum23a, sum23b);
 109
 110         __m512i sum0123a = _mm512_unpacklo_epi64(sum01, sum23);
 111         __m512i sum0123b = _mm512_unpackhi_epi64(sum01, sum23);
 112
 113         return _mm512_add_epi32(sum0123a, sum0123b);
 114       };
 115
 116       [[maybe_unused]] auto m512_haddx4 = [m512_hadd128x16_interleave](
 117         __m512i sum0, __m512i sum1, __m512i sum2, __m512i sum3, __m128i bias) -> __m128i {
 118
 119         __m512i sum = m512_hadd128x16_interleave(sum0, sum1, sum2, sum3);
 120
 121         __m256i sum256lo = _mm512_castsi512_si256(sum);
 122         __m256i sum256hi = _mm512_extracti64x4_epi64(sum, 1);
 123
 124         sum256lo = _mm256_add_epi32(sum256lo, sum256hi);
 125
 126         __m128i sum128lo = _mm256_castsi256_si128(sum256lo);
 127         __m128i sum128hi = _mm256_extracti128_si256(sum256lo, 1);
 128
 129         return _mm_add_epi32(_mm_add_epi32(sum128lo, sum128hi), bias);
 130       };
 131
 132       [[maybe_unused]] auto m512_haddx8 = [m512_hadd128x16_interleave](
 133         __m512i sum0, __m512i sum1, __m512i sum2, __m512i sum3,
 134         __m512i sum4, __m512i sum5, __m512i sum6, __m512i sum7, __m256i bias) -> __m256i {
 135
 136         __m512i suma = m512_hadd128x16_interleave(sum0, sum1, sum2, sum3);
 137         __m512i sumb = m512_hadd128x16_interleave(sum4, sum5, sum6, sum7);
 138
 139         __m512i indices0 = _mm512_setr_epi64(0, 1, 8, 9, 4, 5, 12, 13);
 140         __m512i indices1 = _mm512_setr_epi64(2, 3, 10, 11, 6, 7, 14, 15);
 141         __m512i x = _mm512_add_epi32(
 142           _mm512_permutex2var_epi64(suma, indices0, sumb),
 143           _mm512_permutex2var_epi64(suma, indices1, sumb));
 144
 145         __m256i sum256lo = _mm512_castsi512_si256(x);
 146         __m256i sum256hi = _mm512_extracti64x4_epi64(x, 1);
 147
 148         return _mm256_add_epi32(_mm256_add_epi32(sum256lo, sum256hi), bias);
 149       };
 150
 151       [[maybe_unused]] auto m512_hadd256x8 =[m512_hadd128x16_interleave](
 152         __m512i sum0, __m512i sum1, __m512i sum2, __m512i sum3, __m256i bias) -> __m256i {
 153
 154         __m512i sum = m512_hadd128x16_interleave(sum0, sum1, sum2, sum3);
 155
 156         __m512i indices = _mm512_setr_epi32(
 157           0, 4, 8, 12, 2, 6, 10, 14,
 158           1, 5, 9, 13, 3, 7, 11, 15);
 159         sum = _mm512_permutexvar_epi32(indices, sum);
 160
 161         __m256i sum256lo = _mm512_castsi512_si256(sum);
 162         __m256i sum256hi = _mm512_extracti64x4_epi64(sum, 1);
 163
 164         return _mm256_add_epi32(_mm256_hadd_epi32(sum256lo, sum256hi), bias);
 165       };
 166
 167       [[maybe_unused]] auto m512_hadd256x16 = [m512_hadd128x16_interleave](
 168         __m512i sum0, __m512i sum1, __m512i sum2, __m512i sum3,
 169         __m512i sum4, __m512i sum5, __m512i sum6, __m512i sum7, __m512i bias) -> __m512i {
 170
 171         __m512i suma = m512_hadd128x16_interleave(sum0, sum1, sum2, sum3);
 172         __m512i sumb = m512_hadd128x16_interleave(sum4, sum5, sum6, sum7);
 173
 174         __m512i indices0 = _mm512_setr_epi64(0, 1, 8, 9, 4, 5, 12, 13);
 175         __m512i indices1 = _mm512_setr_epi64(2, 3, 10, 11, 6, 7, 14, 15);
 176         __m512i x = _mm512_add_epi32(
 177           _mm512_permutex2var_epi64(suma, indices0, sumb),
 178           _mm512_permutex2var_epi64(suma, indices1, sumb));
 179
 180         __m512i indices = _mm512_setr_epi32(0, 8, 1, 9, 2, 10, 3, 11, 4, 12, 5, 13, 6, 14, 7, 15);
 181         return _mm512_add_epi32(_mm512_permutexvar_epi32(indices, x), bias);
 182       };
 183
 184 #if defined (USE_VNNI)
 185       [[maybe_unused]] auto m512_add_dpbusd_epi32 = [=](__m512i& acc, __m512i a, __m512i b) {
 186         acc = _mm512_dpbusd_epi32(acc, a, b);
 187 #else
 188       [[maybe_unused]] auto m512_dpbusd_epi32 = [=](__m512i a, __m512i b) -> __m512i {
 189         __m512i product0 = _mm512_maddubs_epi16(a, b);
 190         return _mm512_madd_epi16(product0, kOnes512);
 191 #endif
 192       };
 193
 194 #endif
 195 #if defined (USE_AVX2)
 196
 197       [[maybe_unused]] const __m256i kOnes256 = _mm256_set1_epi16(1);
 198
 199       [[maybe_unused]] auto m256_hadd = [](__m256i sum, int bias) -> int {
 200         __m128i sum128 = _mm_add_epi32(_mm256_castsi256_si128(sum), _mm256_extracti128_si256(sum, 1));
 201         sum128 = _mm_add_epi32(sum128, _mm_shuffle_epi32(sum128, _MM_PERM_BADC));
 202         sum128 = _mm_add_epi32(sum128, _mm_shuffle_epi32(sum128, _MM_PERM_CDAB));
 203         return _mm_cvtsi128_si32(sum128) + bias;
 204       };
 205
 206       [[maybe_unused]] auto m256_haddx4 = [](__m256i sum0, __m256i sum1, __m256i sum2, __m256i sum3, __m128i bias) -> __m128i {
 207         sum0 = _mm256_hadd_epi32(sum0, sum1);
 208         sum2 = _mm256_hadd_epi32(sum2, sum3);
 209
 210         sum0 = _mm256_hadd_epi32(sum0, sum2);
 211
 212         __m128i sum128lo = _mm256_castsi256_si128(sum0);
 213         __m128i sum128hi = _mm256_extracti128_si256(sum0, 1);
 214
 215         return _mm_add_epi32(_mm_add_epi32(sum128lo, sum128hi), bias);
 216       };
 217 #if defined (USE_VNNI)
 218       [[maybe_unused]] auto m256_add_dpbusd_epi32 = [=](__m256i& acc, __m256i a, __m256i b) {
 219         acc = _mm256_dpbusd_epi32(acc, a, b);
 220 #else
 221       [[maybe_unused]] auto m256_dpbusd_epi32 = [=](__m256i a, __m256i b) -> __m256i {
 222         __m256i product0 = _mm256_maddubs_epi16(a, b);
 223         return _mm256_madd_epi16(product0, kOnes256);
 224 #endif
 225       };
 226
 227 #endif
 228
 229 #if defined (USE_SSSE3)
 230
 231       [[maybe_unused]] const __m128i kOnes128 = _mm_set1_epi16(1);
 232
 233       [[maybe_unused]] auto m128_hadd = [](__m128i sum, int bias) -> int {
 234         sum = _mm_add_epi32(sum, _mm_shuffle_epi32(sum, 0x4E)); //_MM_PERM_BADC
 235         sum = _mm_add_epi32(sum, _mm_shuffle_epi32(sum, 0xB1)); //_MM_PERM_CDAB
 236         return _mm_cvtsi128_si32(sum) + bias;
 237       };
 238
 239       [[maybe_unused]] auto m128_haddx4 = [](__m128i sum0, __m128i sum1, __m128i sum2, __m128i sum3, __m128i bias) -> __m128i {
 240         sum0 = _mm_hadd_epi32(sum0, sum1);
 241         sum2 = _mm_hadd_epi32(sum2, sum3);
 242
 243         sum0 = _mm_hadd_epi32(sum0, sum2);
 244
 245         return _mm_add_epi32(sum0, bias);
 246       };
 247
 248       [[maybe_unused]] auto m128_dpbusd_epi32 = [=](__m128i a, __m128i b) -> __m128i {
 249         __m128i product0 = _mm_maddubs_epi16(a, b);
 250         return _mm_madd_epi16(product0, kOnes128);
 251       };
 252
 253 #endif
 254
 255 #if defined (USE_AVX512)
 256
 257       constexpr IndexType kNumChunks512 = kPaddedInputDimensions / (kSimdWidth * 2);
 258       constexpr IndexType kNumChunks256 = kPaddedInputDimensions / kSimdWidth;
 259
 260       const auto output = reinterpret_cast<OutputType*>(buffer);
 261
 262       // Since to saturate a zmm register it takes 64 bytes we
 263       // cannot use AVX512 for the smaller affine transforms.
 264       // Instead we fallback to a AVX2 implementation if the
 265       // kInputDimensions isn't a multiple of 64.
 266       // Note that this means that for example for
 267       // kInputDimensions of 96 we fallback to AVX2 even though
 268       // the first 64 elements could be processed with AVX512.
 269       // This is caused by mixing the __m256 and __m512 variables
 270       // required to better handle that case and it would
 271       // require handling more cases statically not to lose performance.
 272       // This should be revisited if such input dimensions are to be considered.
 273       [[maybe_unused]] const auto input_vector512 = reinterpret_cast<const __m512i*>(input);
 274       [[maybe_unused]] const auto input_vector256 = reinterpret_cast<const __m256i*>(input);
 275
 276       // kOutputDimensions is either 1 or a multiple of kSimdWidth
 277       // because then it is also an input dimension.
 278       if constexpr (kOutputDimensions % 16 == 0 && kNumChunks256 == 1)
 279       {
 280         for (IndexType i = 0; i < kOutputDimensions; i += 16)
 281         {
 282           const IndexType offset01a = (i + 0) * kPaddedInputDimensions;
 283           const IndexType offset23a = (i + 2) * kPaddedInputDimensions;
 284           const IndexType offset45a = (i + 4) * kPaddedInputDimensions;
 285           const IndexType offset67a = (i + 6) * kPaddedInputDimensions;
 286           const IndexType offset01b = (i + 8) * kPaddedInputDimensions;
 287           const IndexType offset23b = (i + 10) * kPaddedInputDimensions;
 288           const IndexType offset45b = (i + 12) * kPaddedInputDimensions;
 289           const IndexType offset67b = (i + 14) * kPaddedInputDimensions;
 290
 291           const __m512i bias = *reinterpret_cast<const __m512i*>(&biases_[i]);
 292           __m512i* outptr = reinterpret_cast<__m512i*>(&output[i]);
 293
 294           const auto row01a = *reinterpret_cast<const __m512i*>(&weights_[offset01a]);
 295           const auto row23a = *reinterpret_cast<const __m512i*>(&weights_[offset23a]);
 296           const auto row45a = *reinterpret_cast<const __m512i*>(&weights_[offset45a]);
 297           const auto row67a = *reinterpret_cast<const __m512i*>(&weights_[offset67a]);
 298           const auto row01b = *reinterpret_cast<const __m512i*>(&weights_[offset01b]);
 299           const auto row23b = *reinterpret_cast<const __m512i*>(&weights_[offset23b]);
 300           const auto row45b = *reinterpret_cast<const __m512i*>(&weights_[offset45b]);
 301           const auto row67b = *reinterpret_cast<const __m512i*>(&weights_[offset67b]);
 302
 303           const __m256i in256 = input_vector256[0];
 304           const __m512i in = _mm512_inserti64x4(_mm512_castsi256_si512(in256), in256, 1);
 305
 306 #if defined (USE_VNNI)
 307           __m512i sum01a = _mm512_setzero_si512();
 308           __m512i sum23a = _mm512_setzero_si512();
 309           __m512i sum45a = _mm512_setzero_si512();
 310           __m512i sum67a = _mm512_setzero_si512();
 311           __m512i sum01b = _mm512_setzero_si512();
 312           __m512i sum23b = _mm512_setzero_si512();
 313           __m512i sum45b = _mm512_setzero_si512();
 314           __m512i sum67b = _mm512_setzero_si512();
 315
 316           m512_add_dpbusd_epi32(sum01a, in, row01a);
 317           m512_add_dpbusd_epi32(sum23a, in, row23a);
 318           m512_add_dpbusd_epi32(sum45a, in, row45a);
 319           m512_add_dpbusd_epi32(sum67a, in, row67a);
 320           m512_add_dpbusd_epi32(sum01b, in, row01b);
 321           m512_add_dpbusd_epi32(sum23b, in, row23b);
 322           m512_add_dpbusd_epi32(sum45b, in, row45b);
 323           m512_add_dpbusd_epi32(sum67b, in, row67b);
 324 #else
 325           __m512i sum01a = m512_dpbusd_epi32(in, row01a);
 326           __m512i sum23a = m512_dpbusd_epi32(in, row23a);
 327           __m512i sum45a = m512_dpbusd_epi32(in, row45a);
 328           __m512i sum67a = m512_dpbusd_epi32(in, row67a);
 329           __m512i sum01b = m512_dpbusd_epi32(in, row01b);
 330           __m512i sum23b = m512_dpbusd_epi32(in, row23b);
 331           __m512i sum45b = m512_dpbusd_epi32(in, row45b);
 332           __m512i sum67b = m512_dpbusd_epi32(in, row67b);
 333 #endif
 334
 335           *outptr = m512_hadd256x16(
 336             sum01a, sum23a, sum45a, sum67a,
 337             sum01b, sum23b, sum45b, sum67b, bias);
 338         }
 339       }
 340       else if constexpr (kOutputDimensions % 4 == 0)
 341       {
 342         for (IndexType i = 0; i < kOutputDimensions; i += 4)
 343         {
 344           const IndexType offset0 = (i + 0) * kPaddedInputDimensions;
 345           const IndexType offset1 = (i + 1) * kPaddedInputDimensions;
 346           const IndexType offset2 = (i + 2) * kPaddedInputDimensions;
 347           const IndexType offset3 = (i + 3) * kPaddedInputDimensions;
 348
 349           const __m128i bias = *reinterpret_cast<const __m128i*>(&biases_[i]);
 350           __m128i* outptr = reinterpret_cast<__m128i*>(&output[i]);
 351
 352           if constexpr (kPaddedInputDimensions % (kSimdWidth * 2) == 0)
 353           {
 354             const auto row0 = reinterpret_cast<const __m512i*>(&weights_[offset0]);
 355             const auto row1 = reinterpret_cast<const __m512i*>(&weights_[offset1]);
 356             const auto row2 = reinterpret_cast<const __m512i*>(&weights_[offset2]);
 357             const auto row3 = reinterpret_cast<const __m512i*>(&weights_[offset3]);
 358
 359 #if defined (USE_VNNI)
 360             __m512i sum0 = _mm512_setzero_si512();
 361             __m512i sum1 = _mm512_setzero_si512();
 362             __m512i sum2 = _mm512_setzero_si512();
 363             __m512i sum3 = _mm512_setzero_si512();
 364             const IndexType kStart = 0;
 365 #else
 366             __m512i sum0 = m512_dpbusd_epi32(input_vector512[0], row0[0]);
 367             __m512i sum1 = m512_dpbusd_epi32(input_vector512[0], row1[0]);
 368             __m512i sum2 = m512_dpbusd_epi32(input_vector512[0], row2[0]);
 369             __m512i sum3 = m512_dpbusd_epi32(input_vector512[0], row3[0]);
 370             const IndexType kStart = 1;
 371 #endif
 372
 373             for (IndexType j = kStart; j < kNumChunks512; ++j)
 374             {
 375               const __m512i in = input_vector512[j];
 376
 377 #if defined (USE_VNNI)
 378               m512_add_dpbusd_epi32(sum0, in, row0[j]);
 379               m512_add_dpbusd_epi32(sum1, in, row1[j]);
 380               m512_add_dpbusd_epi32(sum2, in, row2[j]);
 381               m512_add_dpbusd_epi32(sum3, in, row3[j]);
 382 #else
 383               sum0 = _mm512_add_epi32(sum0, m512_dpbusd_epi32(in, row0[j]));
 384               sum1 = _mm512_add_epi32(sum1, m512_dpbusd_epi32(in, row1[j]));
 385               sum2 = _mm512_add_epi32(sum2, m512_dpbusd_epi32(in, row2[j]));
 386               sum3 = _mm512_add_epi32(sum3, m512_dpbusd_epi32(in, row3[j]));
 387 #endif
 388             }
 389
 390             *outptr = m512_haddx4(sum0, sum1, sum2, sum3, bias);
 391           }
 392           else
 393           {
 394             const auto row0 = reinterpret_cast<const __m256i*>(&weights_[offset0]);
 395             const auto row1 = reinterpret_cast<const __m256i*>(&weights_[offset1]);
 396             const auto row2 = reinterpret_cast<const __m256i*>(&weights_[offset2]);
 397             const auto row3 = reinterpret_cast<const __m256i*>(&weights_[offset3]);
 398
 399 #if defined (USE_VNNI)
 400             __m256i sum0 = _mm256_setzero_si256();
 401             __m256i sum1 = _mm256_setzero_si256();
 402             __m256i sum2 = _mm256_setzero_si256();
 403             __m256i sum3 = _mm256_setzero_si256();
 404             const IndexType kStart = 0;
 405 #else
 406             __m256i sum0 = m256_dpbusd_epi32(input_vector256[0], row0[0]);
 407             __m256i sum1 = m256_dpbusd_epi32(input_vector256[0], row1[0]);
 408             __m256i sum2 = m256_dpbusd_epi32(input_vector256[0], row2[0]);
 409             __m256i sum3 = m256_dpbusd_epi32(input_vector256[0], row3[0]);
 410             const IndexType kStart = 1;
 411 #endif
 412
 413             for (IndexType j = kStart; j < kNumChunks256; ++j)
 414             {
 415               const __m256i in = input_vector256[j];
 416
 417 #if defined (USE_VNNI)
 418               m256_add_dpbusd_epi32(sum0, in, row0[j]);
 419               m256_add_dpbusd_epi32(sum1, in, row1[j]);
 420               m256_add_dpbusd_epi32(sum2, in, row2[j]);
 421               m256_add_dpbusd_epi32(sum3, in, row3[j]);
 422 #else
 423               sum0 = _mm256_add_epi32(sum0, m256_dpbusd_epi32(in, row0[j]));
 424               sum1 = _mm256_add_epi32(sum1, m256_dpbusd_epi32(in, row1[j]));
 425               sum2 = _mm256_add_epi32(sum2, m256_dpbusd_epi32(in, row2[j]));
 426               sum3 = _mm256_add_epi32(sum3, m256_dpbusd_epi32(in, row3[j]));
 427 #endif
 428             }
 429
 430             *outptr = m256_haddx4(sum0, sum1, sum2, sum3, bias);
 431           }
 432         }
 433       }
 434       else if constexpr (kOutputDimensions == 1)
 435       {
 436         if constexpr (kPaddedInputDimensions % (kSimdWidth * 2) == 0)
 437         {
 438           const auto row0 = reinterpret_cast<const __m512i*>(&weights_[0]);
 439
 440 #if defined (USE_VNNI)
 441           __m512i sum0 = _mm512_setzero_si512();
 442           const IndexType kStart = 0;
 443 #else
 444           __m512i sum0 = m512_dpbusd_epi32(input_vector512[0], row0[0]);
 445           const IndexType kStart = 1;
 446 #endif
 447
 448           for (IndexType j = kStart; j < kNumChunks512; ++j)
 449           {
 450             const __m512i in = input_vector512[j];
 451
 452 #if defined (USE_VNNI)
 453             m512_add_dpbusd_epi32(sum0, in, row0[j]);
 454 #else
 455             sum0 = _mm512_add_epi32(sum0, m512_dpbusd_epi32(in, row0[j]));
 456 #endif
 457           }
 458
 459           output[0] = m512_hadd(sum0, biases_[0]);
 460         }
 461         else
 462         {
 463           const auto row0 = reinterpret_cast<const __m256i*>(&weights_[0]);
 464
 465 #if defined (USE_VNNI)
 466           __m256i sum0 = _mm256_setzero_si256();
 467           const IndexType kStart = 0;
 468 #else
 469           __m256i sum0 = m256_dpbusd_epi32(input_vector256[0], row0[0]);
 470           const IndexType kStart = 1;
 471 #endif
 472
 473           for (IndexType j = kStart; j < kNumChunks256; ++j)
 474           {
 475             const __m256i in = input_vector256[j];
 476
 477 #if defined (USE_VNNI)
 478             m256_add_dpbusd_epi32(sum0, in, row0[j]);
 479 #else
 480             sum0 = _mm256_add_epi32(sum0, m256_dpbusd_epi32(in, row0[j]));
 481 #endif
 482           }
 483
 484           output[0] = m256_hadd(sum0, biases_[0]);
 485         }
 486       }
 487       else
 488       {
 489         // This case can never happen because kOutputDimensions
 490         // is always 1 or a multiple of kSimdWidth.
 491         assert(false);
 492       }
 493
 494 #elif defined (USE_AVX2)
 495
 496       constexpr IndexType kNumChunks = kPaddedInputDimensions / kSimdWidth;
 497
 498       const auto output = reinterpret_cast<OutputType*>(buffer);
 499       const auto input_vector = reinterpret_cast<const __m256i*>(input);
 500
 501       // kOutputDimensions is either 1 or a multiple of kSimdWidth
 502       // because then it is also an input dimension.
 503       if constexpr (kOutputDimensions % 4 == 0)
 504       {
 505         for (IndexType i = 0; i < kOutputDimensions; i += 4)
 506         {
 507           const IndexType offset0 = (i + 0) * kPaddedInputDimensions;
 508           const IndexType offset1 = (i + 1) * kPaddedInputDimensions;
 509           const IndexType offset2 = (i + 2) * kPaddedInputDimensions;
 510           const IndexType offset3 = (i + 3) * kPaddedInputDimensions;
 511
 512           const __m128i bias = *reinterpret_cast<const __m128i*>(&biases_[i]);
 513           __m128i* outptr = reinterpret_cast<__m128i*>(&output[i]);
 514
 515           const auto row0 = reinterpret_cast<const __m256i*>(&weights_[offset0]);
 516           const auto row1 = reinterpret_cast<const __m256i*>(&weights_[offset1]);
 517           const auto row2 = reinterpret_cast<const __m256i*>(&weights_[offset2]);
 518           const auto row3 = reinterpret_cast<const __m256i*>(&weights_[offset3]);
 519
 520 #if defined (USE_VNNI)
 521           __m256i sum0 = _mm256_setzero_si256();
 522           __m256i sum1 = _mm256_setzero_si256();
 523           __m256i sum2 = _mm256_setzero_si256();
 524           __m256i sum3 = _mm256_setzero_si256();
 525           const IndexType kStart = 0;
 526 #else
 527           __m256i sum0 = m256_dpbusd_epi32(input_vector[0], row0[0]);
 528           __m256i sum1 = m256_dpbusd_epi32(input_vector[0], row1[0]);
 529           __m256i sum2 = m256_dpbusd_epi32(input_vector[0], row2[0]);
 530           __m256i sum3 = m256_dpbusd_epi32(input_vector[0], row3[0]);
 531           const IndexType kStart = 1;
 532 #endif
 533
 534           for (IndexType j = kStart; j < kNumChunks; ++j)
 535           {
 536             const __m256i in = input_vector[j];
 537
 538 #if defined (USE_VNNI)
 539             m256_add_dpbusd_epi32(sum0, in, row0[j]);
 540             m256_add_dpbusd_epi32(sum1, in, row1[j]);
 541             m256_add_dpbusd_epi32(sum2, in, row2[j]);
 542             m256_add_dpbusd_epi32(sum3, in, row3[j]);
 543 #else
 544             sum0 = _mm256_add_epi32(sum0, m256_dpbusd_epi32(in, row0[j]));
 545             sum1 = _mm256_add_epi32(sum1, m256_dpbusd_epi32(in, row1[j]));
 546             sum2 = _mm256_add_epi32(sum2, m256_dpbusd_epi32(in, row2[j]));
 547             sum3 = _mm256_add_epi32(sum3, m256_dpbusd_epi32(in, row3[j]));
 548 #endif
 549           }
 550
 551           *outptr = m256_haddx4(sum0, sum1, sum2, sum3, bias);
 552         }
 553       }
 554       else if constexpr (kOutputDimensions == 1)
 555       {
 556         const auto row0 = reinterpret_cast<const __m256i*>(&weights_[0]);
 557
 558 #if defined (USE_VNNI)
 559         __m256i sum0 = _mm256_setzero_si256();
 560         const IndexType kStart = 0;
 561 #else
 562         __m256i sum0 = m256_dpbusd_epi32(input_vector[0], row0[0]);
 563         const IndexType kStart = 1;
 564 #endif
 565
 566         for (IndexType j = kStart; j < kNumChunks; ++j)
 567         {
 568           const __m256i in = input_vector[j];
 569
 570 #if defined (USE_VNNI)
 571           m256_add_dpbusd_epi32(sum0, in, row0[j]);
 572 #else
 573           sum0 = _mm256_add_epi32(sum0, m256_dpbusd_epi32(in, row0[j]));
 574 #endif
 575         }
 576
 577         output[0] = m256_hadd(sum0, biases_[0]);
 578       }
 579       else
 580       {
 581         // This case can never happen because kOutputDimensions
 582         // is always 1 or a multiple of kSimdWidth.
 583         assert(false);
 584       }
 585
 586 #elif defined (USE_SSSE3)
 587
 588       constexpr IndexType kNumChunks = kPaddedInputDimensions / kSimdWidth;
 589
 590       auto output = reinterpret_cast<OutputType*>(buffer);
 591       const auto input_vector = reinterpret_cast<const __m128i*>(input);
 592
 593       // kOutputDimensions is either 1 or a multiple of kSimdWidth
 594       // because then it is also an input dimension.
 595       if constexpr (kOutputDimensions % 4 == 0)
 596       {
 597         for (IndexType i = 0; i < kOutputDimensions; i += 4)
 598         {
 599           const IndexType offset0 = (i + 0) * kPaddedInputDimensions;
 600           const IndexType offset1 = (i + 1) * kPaddedInputDimensions;
 601           const IndexType offset2 = (i + 2) * kPaddedInputDimensions;
 602           const IndexType offset3 = (i + 3) * kPaddedInputDimensions;
 603
 604           const __m128i bias = *reinterpret_cast<const __m128i*>(&biases_[i]);
 605           __m128i* outptr = reinterpret_cast<__m128i*>(&output[i]);
 606
 607           const auto row0 = reinterpret_cast<const __m128i*>(&weights_[offset0]);
 608           const auto row1 = reinterpret_cast<const __m128i*>(&weights_[offset1]);
 609           const auto row2 = reinterpret_cast<const __m128i*>(&weights_[offset2]);
 610           const auto row3 = reinterpret_cast<const __m128i*>(&weights_[offset3]);
 611
 612           __m128i sum0 = m128_dpbusd_epi32(input_vector[0], row0[0]);
 613           __m128i sum1 = m128_dpbusd_epi32(input_vector[0], row1[0]);
 614           __m128i sum2 = m128_dpbusd_epi32(input_vector[0], row2[0]);
 615           __m128i sum3 = m128_dpbusd_epi32(input_vector[0], row3[0]);
 616
 617           for (int j = 1; j < (int)kNumChunks; ++j)
 618           {
 619             const __m128i in = input_vector[j];
 620
 621             sum0 = _mm_add_epi32(sum0, m128_dpbusd_epi32(in, row0[j]));
 622             sum1 = _mm_add_epi32(sum1, m128_dpbusd_epi32(in, row1[j]));
 623             sum2 = _mm_add_epi32(sum2, m128_dpbusd_epi32(in, row2[j]));
 624             sum3 = _mm_add_epi32(sum3, m128_dpbusd_epi32(in, row3[j]));
 625           }
 626
 627           *outptr = m128_haddx4(sum0, sum1, sum2, sum3, bias);
 628         }
 629       }
 630       else if constexpr (kOutputDimensions == 1)
 631       {
 632         const auto row0 = reinterpret_cast<const __m128i*>(&weights_[0]);
 633
 634         __m128i sum0 = m128_dpbusd_epi32(input_vector[0], row0[0]);
 635
 636         for (int j = 1; j < (int)kNumChunks; ++j)
 637           sum0 = _mm_add_epi32(sum0, m128_dpbusd_epi32(input_vector[j], row0[j]));
 638
 639         output[0] = m128_hadd(sum0, biases_[0]);
 640       }
 641       else
 642       {
 643         // This case can never happen because kOutputDimensions
 644         // is always 1 or a multiple of kSimdWidth.
 645         assert(false);
 646       }
 647
 648 #else
 649
 650 // Use old implementation for the other architectures.
 651
 652       auto output = reinterpret_cast<OutputType*>(buffer);
 653
 654 #if defined(USE_SSE2)
 655       constexpr IndexType kNumChunks = kPaddedInputDimensions / kSimdWidth;
 656 #ifndef USE_SSSE3
 657       const __m128i kZeros = _mm_setzero_si128();
 658 #else
 659       const __m128i kOnes = _mm_set1_epi16(1);
 660 #endif
 661       const auto input_vector = reinterpret_cast<const __m128i*>(input);
 662
 663 #elif defined(USE_MMX)
 664       constexpr IndexType kNumChunks = kPaddedInputDimensions / kSimdWidth;
 665       const __m64 kZeros = _mm_setzero_si64();
 666       const auto input_vector = reinterpret_cast<const __m64*>(input);
 667
 668 #elif defined(USE_NEON)
 669       constexpr IndexType kNumChunks = kPaddedInputDimensions / kSimdWidth;
 670       const auto input_vector = reinterpret_cast<const int8x8_t*>(input);
 671 #endif
 672
 673       for (IndexType i = 0; i < kOutputDimensions; ++i) {
 674         const IndexType offset = i * kPaddedInputDimensions;
 675
 676 #if defined(USE_SSE2)
 677         __m128i sum_lo = _mm_cvtsi32_si128(biases_[i]);
 678         __m128i sum_hi = kZeros;
 679         const auto row = reinterpret_cast<const __m128i*>(&weights_[offset]);
 680         for (IndexType j = 0; j < kNumChunks; ++j) {
 681           __m128i row_j = _mm_load_si128(&row[j]);
 682           __m128i input_j = _mm_load_si128(&input_vector[j]);
 683           __m128i extended_row_lo = _mm_srai_epi16(_mm_unpacklo_epi8(row_j, row_j), 8);
 684           __m128i extended_row_hi = _mm_srai_epi16(_mm_unpackhi_epi8(row_j, row_j), 8);
 685           __m128i extended_input_lo = _mm_unpacklo_epi8(input_j, kZeros);
 686           __m128i extended_input_hi = _mm_unpackhi_epi8(input_j, kZeros);
 687           __m128i product_lo = _mm_madd_epi16(extended_row_lo, extended_input_lo);
 688           __m128i product_hi = _mm_madd_epi16(extended_row_hi, extended_input_hi);
 689           sum_lo = _mm_add_epi32(sum_lo, product_lo);
 690           sum_hi = _mm_add_epi32(sum_hi, product_hi);
 691         }
 692         __m128i sum = _mm_add_epi32(sum_lo, sum_hi);
 693         __m128i sum_high_64 = _mm_shuffle_epi32(sum, _MM_SHUFFLE(1, 0, 3, 2));
 694         sum = _mm_add_epi32(sum, sum_high_64);
 695         __m128i sum_second_32 = _mm_shufflelo_epi16(sum, _MM_SHUFFLE(1, 0, 3, 2));
 696         sum = _mm_add_epi32(sum, sum_second_32);
 697         output[i] = _mm_cvtsi128_si32(sum);
 698
 699 #elif defined(USE_MMX)
 700         __m64 sum_lo = _mm_cvtsi32_si64(biases_[i]);
 701         __m64 sum_hi = kZeros;
 702         const auto row = reinterpret_cast<const __m64*>(&weights_[offset]);
 703         for (IndexType j = 0; j < kNumChunks; ++j) {
 704           __m64 row_j = row[j];
 705           __m64 input_j = input_vector[j];
 706           __m64 extended_row_lo = _mm_srai_pi16(_mm_unpacklo_pi8(row_j, row_j), 8);
 707           __m64 extended_row_hi = _mm_srai_pi16(_mm_unpackhi_pi8(row_j, row_j), 8);
 708           __m64 extended_input_lo = _mm_unpacklo_pi8(input_j, kZeros);
 709           __m64 extended_input_hi = _mm_unpackhi_pi8(input_j, kZeros);
 710           __m64 product_lo = _mm_madd_pi16(extended_row_lo, extended_input_lo);
 711           __m64 product_hi = _mm_madd_pi16(extended_row_hi, extended_input_hi);
 712           sum_lo = _mm_add_pi32(sum_lo, product_lo);
 713           sum_hi = _mm_add_pi32(sum_hi, product_hi);
 714         }
 715         __m64 sum = _mm_add_pi32(sum_lo, sum_hi);
 716         sum = _mm_add_pi32(sum, _mm_unpackhi_pi32(sum, sum));
 717         output[i] = _mm_cvtsi64_si32(sum);
 718
 719 #elif defined(USE_NEON)
 720         int32x4_t sum = {biases_[i]};
 721         const auto row = reinterpret_cast<const int8x8_t*>(&weights_[offset]);
 722         for (IndexType j = 0; j < kNumChunks; ++j) {
 723           int16x8_t product = vmull_s8(input_vector[j * 2], row[j * 2]);
 724           product = vmlal_s8(product, input_vector[j * 2 + 1], row[j * 2 + 1]);
 725           sum = vpadalq_s16(sum, product);
 726         }
 727         output[i] = sum[0] + sum[1] + sum[2] + sum[3];
 728
 729 #else
 730         OutputType sum = biases_[i];
 731         for (IndexType j = 0; j < kInputDimensions; ++j) {
 732           sum += weights_[offset + j] * input[j];
 733         }
 734         output[i] = sum;
 735 #endif
 736
 737       }
 738 #if defined(USE_MMX)
 739       _mm_empty();
 740 #endif
 741
 742 #endif
 743
 744       return output;
 745     }
 746
 747    private:
 748     using BiasType = OutputType;
 749     using WeightType = std::int8_t;
 750
 751     PreviousLayer previous_layer_;
 752
 753     alignas(kCacheLineSize) BiasType biases_[kOutputDimensions];
 754     alignas(kCacheLineSize)
 755         WeightType weights_[kOutputDimensions * kPaddedInputDimensions];
 756   };
 757
 758 }  // namespace Eval::NNUE::Layers
 759
 760 #endif // #ifndef NNUE_LAYERS_AFFINE_TRANSFORM_H_INCLUDED