]> git.sesse.net Git - stockfish/blob - src/nnue/layers/affine_transform.h
20ec2f1234befe5a67f6ab2d3c70c42fabac08c4
[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       stream.read(reinterpret_cast<char*>(biases_),
66                   kOutputDimensions * sizeof(BiasType));
67       stream.read(reinterpret_cast<char*>(weights_),
68                   kOutputDimensions * kPaddedInputDimensions *
69                   sizeof(WeightType));
70       return !stream.fail();
71     }
72
73     // Forward propagation
74     const OutputType* Propagate(
75         const TransformedFeatureType* transformed_features, char* buffer) const {
76       const auto input = previous_layer_.Propagate(
77           transformed_features, buffer + kSelfBufferSize);
78       const auto output = reinterpret_cast<OutputType*>(buffer);
79
80   #if defined(USE_AVX512)
81       constexpr IndexType kNumChunks = kPaddedInputDimensions / (kSimdWidth * 2);
82       const __m512i kOnes = _mm512_set1_epi16(1);
83       const auto input_vector = reinterpret_cast<const __m512i*>(input);
84
85   #elif defined(USE_AVX2)
86       constexpr IndexType kNumChunks = kPaddedInputDimensions / kSimdWidth;
87       const __m256i kOnes = _mm256_set1_epi16(1);
88       const auto input_vector = reinterpret_cast<const __m256i*>(input);
89
90   #elif defined(USE_SSSE3)
91       constexpr IndexType kNumChunks = kPaddedInputDimensions / kSimdWidth;
92       const __m128i kOnes = _mm_set1_epi16(1);
93       const auto input_vector = reinterpret_cast<const __m128i*>(input);
94
95   #elif defined(USE_NEON)
96       constexpr IndexType kNumChunks = kPaddedInputDimensions / kSimdWidth;
97       const auto input_vector = reinterpret_cast<const int8x8_t*>(input);
98   #endif
99
100       for (IndexType i = 0; i < kOutputDimensions; ++i) {
101         const IndexType offset = i * kPaddedInputDimensions;
102
103   #if defined(USE_AVX512)
104         __m512i sum = _mm512_setzero_si512();
105         const auto row = reinterpret_cast<const __m512i*>(&weights_[offset]);
106         for (IndexType j = 0; j < kNumChunks; ++j) {
107             __m512i product = _mm512_maddubs_epi16(_mm512_loadA_si512(&input_vector[j]), _mm512_load_si512(&row[j]));
108             product = _mm512_madd_epi16(product, kOnes);
109             sum = _mm512_add_epi32(sum, product);
110         }
111         output[i] = _mm512_reduce_add_epi32(sum) + biases_[i];
112
113         // Note: Changing kMaxSimdWidth from 32 to 64 breaks loading existing networks.
114         // As a result kPaddedInputDimensions may not be an even multiple of 64(512bit)
115         // and we have to do one more 256bit chunk.
116         if (kPaddedInputDimensions != kNumChunks * kSimdWidth * 2)
117         {
118             const auto iv_256  = reinterpret_cast<const __m256i*>(input);
119             const auto row_256 = reinterpret_cast<const __m256i*>(&weights_[offset]);
120             int j = kNumChunks * 2;
121             __m256i sum256 = _mm256_maddubs_epi16(_mm256_loadA_si256(&iv_256[j]), _mm256_load_si256(&row_256[j]));
122             sum256 = _mm256_madd_epi16(sum256, _mm256_set1_epi16(1));
123             sum256 = _mm256_hadd_epi32(sum256, sum256);
124             sum256 = _mm256_hadd_epi32(sum256, sum256);
125             const __m128i lo = _mm256_extracti128_si256(sum256, 0);
126             const __m128i hi = _mm256_extracti128_si256(sum256, 1);
127             output[i] += _mm_cvtsi128_si32(lo) + _mm_cvtsi128_si32(hi);
128         }
129
130   #elif defined(USE_AVX2)
131         __m256i sum = _mm256_setzero_si256();
132         const auto row = reinterpret_cast<const __m256i*>(&weights_[offset]);
133         for (IndexType j = 0; j < kNumChunks; ++j) {
134           __m256i product = _mm256_maddubs_epi16(_mm256_loadA_si256(&input_vector[j]), _mm256_load_si256(&row[j]));
135           product = _mm256_madd_epi16(product, kOnes);
136           sum = _mm256_add_epi32(sum, product);
137         }
138         sum = _mm256_hadd_epi32(sum, sum);
139         sum = _mm256_hadd_epi32(sum, sum);
140         const __m128i lo = _mm256_extracti128_si256(sum, 0);
141         const __m128i hi = _mm256_extracti128_si256(sum, 1);
142         output[i] = _mm_cvtsi128_si32(lo) + _mm_cvtsi128_si32(hi) + biases_[i];
143
144   #elif defined(USE_SSSE3)
145         __m128i sum = _mm_cvtsi32_si128(biases_[i]);
146         const auto row = reinterpret_cast<const __m128i*>(&weights_[offset]);
147         for (IndexType j = 0; j < kNumChunks; ++j) {
148           __m128i product = _mm_maddubs_epi16(_mm_load_si128(&input_vector[j]), _mm_load_si128(&row[j]));
149           product = _mm_madd_epi16(product, kOnes);
150           sum = _mm_add_epi32(sum, product);
151         }
152         sum = _mm_hadd_epi32(sum, sum);
153         sum = _mm_hadd_epi32(sum, sum);
154         output[i] = _mm_cvtsi128_si32(sum);
155
156   #elif defined(USE_NEON)
157         int32x4_t sum = {biases_[i]};
158         const auto row = reinterpret_cast<const int8x8_t*>(&weights_[offset]);
159         for (IndexType j = 0; j < kNumChunks; ++j) {
160           int16x8_t product = vmull_s8(input_vector[j * 2], row[j * 2]);
161           product = vmlal_s8(product, input_vector[j * 2 + 1], row[j * 2 + 1]);
162           sum = vpadalq_s16(sum, product);
163         }
164         output[i] = sum[0] + sum[1] + sum[2] + sum[3];
165
166   #else
167         OutputType sum = biases_[i];
168         for (IndexType j = 0; j < kInputDimensions; ++j) {
169           sum += weights_[offset + j] * input[j];
170         }
171         output[i] = sum;
172   #endif
173
174       }
175       return output;
176     }
177
178    private:
179     using BiasType = OutputType;
180     using WeightType = std::int8_t;
181
182     PreviousLayer previous_layer_;
183
184     alignas(kCacheLineSize) BiasType biases_[kOutputDimensions];
185     alignas(kCacheLineSize)
186         WeightType weights_[kOutputDimensions * kPaddedInputDimensions];
187   };
188
189 }  // namespace Eval::NNUE::Layers
190
191 #endif // #ifndef NNUE_LAYERS_AFFINE_TRANSFORM_H_INCLUDED