Use arithmetic right shift for sign extension in MMX and SSE2 paths
[stockfish] / 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