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       [[maybe_unused]] auto m512_add_dpbusd_epi32 = [=](__m512i& acc, __m512i a, __m512i b) {
 185 #if defined (USE_VNNI)
 186         acc = _mm512_dpbusd_epi32(acc, a, b);
 187 #else
 188         __m512i product0 = _mm512_maddubs_epi16(a, b);
 189         product0 = _mm512_madd_epi16(product0, kOnes512);
 190         acc = _mm512_add_epi32(acc, product0);
 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
 218       [[maybe_unused]] auto m256_add_dpbusd_epi32 = [=](__m256i& acc, __m256i a, __m256i b) {
 219 #if defined (USE_VNNI)
 220         acc = _mm256_dpbusd_epi32(acc, a, b);
 221 #else
 222         __m256i product0 = _mm256_maddubs_epi16(a, b);
 223         product0 = _mm256_madd_epi16(product0, kOnes256);
 224         acc = _mm256_add_epi32(acc, product0);
 225 #endif
 226       };
 227
 228 #endif
 229
 230 #if defined (USE_SSSE3)
 231
 232       [[maybe_unused]] const __m128i kOnes128 = _mm_set1_epi16(1);
 233
 234       [[maybe_unused]] auto m128_hadd = [](__m128i sum, int bias) -> int {
 235         sum = _mm_add_epi32(sum, _mm_shuffle_epi32(sum, 0x4E)); //_MM_PERM_BADC
 236         sum = _mm_add_epi32(sum, _mm_shuffle_epi32(sum, 0xB1)); //_MM_PERM_CDAB
 237         return _mm_cvtsi128_si32(sum) + bias;
 238       };
 239
 240       [[maybe_unused]] auto m128_haddx4 = [](__m128i sum0, __m128i sum1, __m128i sum2, __m128i sum3, __m128i bias) -> __m128i {
 241         sum0 = _mm_hadd_epi32(sum0, sum1);
 242         sum2 = _mm_hadd_epi32(sum2, sum3);
 243
 244         sum0 = _mm_hadd_epi32(sum0, sum2);
 245
 246         return _mm_add_epi32(sum0, bias);
 247       };
 248
 249       [[maybe_unused]] auto m128_add_dpbusd_epi32 = [=](__m128i& acc, __m128i a, __m128i b) {
 250         __m128i product0 = _mm_maddubs_epi16(a, b);
 251         product0 = _mm_madd_epi16(product0, kOnes128);
 252         acc = _mm_add_epi32(acc, product0);
 253       };
 254
 255 #endif
 256
 257 #if defined (USE_AVX512)
 258
 259       constexpr IndexType kNumChunks512 = kPaddedInputDimensions / (kSimdWidth * 2);
 260       constexpr IndexType kNumChunks256 = kPaddedInputDimensions / kSimdWidth;
 261
 262       const auto output = reinterpret_cast<OutputType*>(buffer);
 263
 264       // Since to saturate a zmm register it takes 64 bytes we
 265       // cannot use AVX512 for the smaller affine transforms.
 266       // Instead we fallback to a AVX2 implementation if the
 267       // kInputDimensions isn't a multiple of 64.
 268       // Note that this means that for example for
 269       // kInputDimensions of 96 we fallback to AVX2 even though
 270       // the first 64 elements could be processed with AVX512.
 271       // This is caused by mixing the __m256 and __m512 variables
 272       // required to better handle that case and it would
 273       // require handling more cases statically not to lose performance.
 274       // This should be revisited if such input dimensions are to be considered.
 275       [[maybe_unused]] const auto input_vector512 = reinterpret_cast<const __m512i*>(input);
 276       [[maybe_unused]] const auto input_vector256 = reinterpret_cast<const __m256i*>(input);
 277
 278       // kOutputDimensions is either 1 or a multiple of kSimdWidth
 279       // because then it is also an input dimension.
 280       if constexpr (kOutputDimensions % 16 == 0 && kNumChunks256 == 1)
 281       {
 282         for (IndexType i = 0; i < kOutputDimensions; i += 16)
 283         {
 284           const IndexType offset01a = (i + 0) * kPaddedInputDimensions;
 285           const IndexType offset23a = (i + 2) * kPaddedInputDimensions;
 286           const IndexType offset45a = (i + 4) * kPaddedInputDimensions;
 287           const IndexType offset67a = (i + 6) * kPaddedInputDimensions;
 288           const IndexType offset01b = (i + 8) * kPaddedInputDimensions;
 289           const IndexType offset23b = (i + 10) * kPaddedInputDimensions;
 290           const IndexType offset45b = (i + 12) * kPaddedInputDimensions;
 291           const IndexType offset67b = (i + 14) * kPaddedInputDimensions;
 292
 293           const __m512i bias = *reinterpret_cast<const __m512i*>(&biases_[i]);
 294           __m512i* outptr = reinterpret_cast<__m512i*>(&output[i]);
 295
 296           __m512i sum01a = _mm512_setzero_si512();
 297           __m512i sum23a = _mm512_setzero_si512();
 298           __m512i sum45a = _mm512_setzero_si512();
 299           __m512i sum67a = _mm512_setzero_si512();
 300           __m512i sum01b = _mm512_setzero_si512();
 301           __m512i sum23b = _mm512_setzero_si512();
 302           __m512i sum45b = _mm512_setzero_si512();
 303           __m512i sum67b = _mm512_setzero_si512();
 304
 305           const auto row01a = *reinterpret_cast<const __m512i*>(&weights_[offset01a]);
 306           const auto row23a = *reinterpret_cast<const __m512i*>(&weights_[offset23a]);
 307           const auto row45a = *reinterpret_cast<const __m512i*>(&weights_[offset45a]);
 308           const auto row67a = *reinterpret_cast<const __m512i*>(&weights_[offset67a]);
 309           const auto row01b = *reinterpret_cast<const __m512i*>(&weights_[offset01b]);
 310           const auto row23b = *reinterpret_cast<const __m512i*>(&weights_[offset23b]);
 311           const auto row45b = *reinterpret_cast<const __m512i*>(&weights_[offset45b]);
 312           const auto row67b = *reinterpret_cast<const __m512i*>(&weights_[offset67b]);
 313
 314           const __m256i in256 = input_vector256[0];
 315           const __m512i in = _mm512_inserti64x4(_mm512_castsi256_si512(in256), in256, 1);
 316
 317           m512_add_dpbusd_epi32(sum01a, in, row01a);
 318           m512_add_dpbusd_epi32(sum23a, in, row23a);
 319           m512_add_dpbusd_epi32(sum45a, in, row45a);
 320           m512_add_dpbusd_epi32(sum67a, in, row67a);
 321           m512_add_dpbusd_epi32(sum01b, in, row01b);
 322           m512_add_dpbusd_epi32(sum23b, in, row23b);
 323           m512_add_dpbusd_epi32(sum45b, in, row45b);
 324           m512_add_dpbusd_epi32(sum67b, in, row67b);
 325
 326           *outptr = m512_hadd256x16(
 327             sum01a, sum23a, sum45a, sum67a,
 328             sum01b, sum23b, sum45b, sum67b, bias);
 329         }
 330       }
 331       else if constexpr (kOutputDimensions % 4 == 0)
 332       {
 333         for (IndexType i = 0; i < kOutputDimensions; i += 4)
 334         {
 335           const IndexType offset0 = (i + 0) * kPaddedInputDimensions;
 336           const IndexType offset1 = (i + 1) * kPaddedInputDimensions;
 337           const IndexType offset2 = (i + 2) * kPaddedInputDimensions;
 338           const IndexType offset3 = (i + 3) * kPaddedInputDimensions;
 339
 340           const __m128i bias = *reinterpret_cast<const __m128i*>(&biases_[i]);
 341           __m128i* outptr = reinterpret_cast<__m128i*>(&output[i]);
 342
 343           if constexpr (kPaddedInputDimensions % (kSimdWidth * 2) == 0)
 344           {
 345             __m512i sum0 = _mm512_setzero_si512();
 346             __m512i sum1 = _mm512_setzero_si512();
 347             __m512i sum2 = _mm512_setzero_si512();
 348             __m512i sum3 = _mm512_setzero_si512();
 349
 350             const auto row0 = reinterpret_cast<const __m512i*>(&weights_[offset0]);
 351             const auto row1 = reinterpret_cast<const __m512i*>(&weights_[offset1]);
 352             const auto row2 = reinterpret_cast<const __m512i*>(&weights_[offset2]);
 353             const auto row3 = reinterpret_cast<const __m512i*>(&weights_[offset3]);
 354
 355             for (IndexType j = 0; j < kNumChunks512; ++j)
 356             {
 357               const __m512i in = input_vector512[j];
 358
 359               m512_add_dpbusd_epi32(sum0, in, row0[j]);
 360               m512_add_dpbusd_epi32(sum1, in, row1[j]);
 361               m512_add_dpbusd_epi32(sum2, in, row2[j]);
 362               m512_add_dpbusd_epi32(sum3, in, row3[j]);
 363             }
 364
 365             *outptr = m512_haddx4(sum0, sum1, sum2, sum3, bias);
 366           }
 367           else
 368           {
 369             __m256i sum0 = _mm256_setzero_si256();
 370             __m256i sum1 = _mm256_setzero_si256();
 371             __m256i sum2 = _mm256_setzero_si256();
 372             __m256i sum3 = _mm256_setzero_si256();
 373
 374             const auto row0 = reinterpret_cast<const __m256i*>(&weights_[offset0]);
 375             const auto row1 = reinterpret_cast<const __m256i*>(&weights_[offset1]);
 376             const auto row2 = reinterpret_cast<const __m256i*>(&weights_[offset2]);
 377             const auto row3 = reinterpret_cast<const __m256i*>(&weights_[offset3]);
 378
 379             for (IndexType j = 0; j < kNumChunks256; ++j)
 380             {
 381               const __m256i in = input_vector256[j];
 382
 383               m256_add_dpbusd_epi32(sum0, in, row0[j]);
 384               m256_add_dpbusd_epi32(sum1, in, row1[j]);
 385               m256_add_dpbusd_epi32(sum2, in, row2[j]);
 386               m256_add_dpbusd_epi32(sum3, in, row3[j]);
 387             }
 388
 389             *outptr = m256_haddx4(sum0, sum1, sum2, sum3, bias);
 390           }
 391         }
 392       }
 393       else if constexpr (kOutputDimensions == 1)
 394       {
 395         if constexpr (kPaddedInputDimensions % (kSimdWidth * 2) == 0)
 396         {
 397           __m512i sum0 = _mm512_setzero_si512();
 398
 399           const auto row0 = reinterpret_cast<const __m512i*>(&weights_[0]);
 400
 401           for (IndexType j = 0; j < kNumChunks512; ++j)
 402           {
 403             const __m512i in = input_vector512[j];
 404
 405             m512_add_dpbusd_epi32(sum0, in, row0[j]);
 406           }
 407
 408           output[0] = m512_hadd(sum0, biases_[0]);
 409         }
 410         else
 411         {
 412           __m256i sum0 = _mm256_setzero_si256();
 413
 414           const auto row0 = reinterpret_cast<const __m256i*>(&weights_[0]);
 415
 416           for (IndexType j = 0; j < kNumChunks256; ++j)
 417           {
 418             const __m256i in = input_vector256[j];
 419
 420             m256_add_dpbusd_epi32(sum0, in, row0[j]);
 421           }
 422
 423           output[0] = m256_hadd(sum0, biases_[0]);
 424         }
 425       }
 426       else
 427       {
 428         // This case can never happen because kOutputDimensions
 429         // is always 1 or a multiple of kSimdWidth.
 430         assert(false);
 431       }
 432
 433 #elif defined (USE_AVX2)
 434
 435       constexpr IndexType kNumChunks = kPaddedInputDimensions / kSimdWidth;
 436
 437       const auto output = reinterpret_cast<OutputType*>(buffer);
 438       const auto input_vector = reinterpret_cast<const __m256i*>(input);
 439
 440       // kOutputDimensions is either 1 or a multiple of kSimdWidth
 441       // because then it is also an input dimension.
 442       if constexpr (kOutputDimensions % 4 == 0)
 443       {
 444         for (IndexType i = 0; i < kOutputDimensions; i += 4)
 445         {
 446           const IndexType offset0 = (i + 0) * kPaddedInputDimensions;
 447           const IndexType offset1 = (i + 1) * kPaddedInputDimensions;
 448           const IndexType offset2 = (i + 2) * kPaddedInputDimensions;
 449           const IndexType offset3 = (i + 3) * kPaddedInputDimensions;
 450
 451           const __m128i bias = *reinterpret_cast<const __m128i*>(&biases_[i]);
 452           __m128i* outptr = reinterpret_cast<__m128i*>(&output[i]);
 453
 454           __m256i sum0 = _mm256_setzero_si256();
 455           __m256i sum1 = _mm256_setzero_si256();
 456           __m256i sum2 = _mm256_setzero_si256();
 457           __m256i sum3 = _mm256_setzero_si256();
 458
 459           const auto row0 = reinterpret_cast<const __m256i*>(&weights_[offset0]);
 460           const auto row1 = reinterpret_cast<const __m256i*>(&weights_[offset1]);
 461           const auto row2 = reinterpret_cast<const __m256i*>(&weights_[offset2]);
 462           const auto row3 = reinterpret_cast<const __m256i*>(&weights_[offset3]);
 463
 464           for (IndexType j = 0; j < kNumChunks; ++j)
 465           {
 466             const __m256i in = input_vector[j];
 467
 468             m256_add_dpbusd_epi32(sum0, in, row0[j]);
 469             m256_add_dpbusd_epi32(sum1, in, row1[j]);
 470             m256_add_dpbusd_epi32(sum2, in, row2[j]);
 471             m256_add_dpbusd_epi32(sum3, in, row3[j]);
 472           }
 473
 474           *outptr = m256_haddx4(sum0, sum1, sum2, sum3, bias);
 475         }
 476       }
 477       else if constexpr (kOutputDimensions == 1)
 478       {
 479         __m256i sum0 = _mm256_setzero_si256();
 480
 481         const auto row0 = reinterpret_cast<const __m256i*>(&weights_[0]);
 482
 483         for (IndexType j = 0; j < kNumChunks; ++j)
 484         {
 485           const __m256i in = input_vector[j];
 486
 487             m256_add_dpbusd_epi32(sum0, in, row0[j]);
 488         }
 489
 490         output[0] = m256_hadd(sum0, biases_[0]);
 491       }
 492       else
 493       {
 494         // This case can never happen because kOutputDimensions
 495         // is always 1 or a multiple of kSimdWidth.
 496         assert(false);
 497       }
 498
 499 #elif defined (USE_SSSE3)
 500
 501       constexpr IndexType kNumChunks = kPaddedInputDimensions / kSimdWidth;
 502
 503       auto output = reinterpret_cast<OutputType*>(buffer);
 504       const auto input_vector = reinterpret_cast<const __m128i*>(input);
 505
 506       // kOutputDimensions is either 1 or a multiple of kSimdWidth
 507       // because then it is also an input dimension.
 508       if constexpr (kOutputDimensions % 4 == 0)
 509       {
 510         for (IndexType i = 0; i < kOutputDimensions; i += 4)
 511         {
 512           const IndexType offset0 = (i + 0) * kPaddedInputDimensions;
 513           const IndexType offset1 = (i + 1) * kPaddedInputDimensions;
 514           const IndexType offset2 = (i + 2) * kPaddedInputDimensions;
 515           const IndexType offset3 = (i + 3) * kPaddedInputDimensions;
 516
 517           const __m128i bias = *reinterpret_cast<const __m128i*>(&biases_[i]);
 518           __m128i* outptr = reinterpret_cast<__m128i*>(&output[i]);
 519
 520           __m128i sum0 = _mm_setzero_si128();
 521           __m128i sum1 = _mm_setzero_si128();
 522           __m128i sum2 = _mm_setzero_si128();
 523           __m128i sum3 = _mm_setzero_si128();
 524
 525           const auto row0 = reinterpret_cast<const __m128i*>(&weights_[offset0]);
 526           const auto row1 = reinterpret_cast<const __m128i*>(&weights_[offset1]);
 527           const auto row2 = reinterpret_cast<const __m128i*>(&weights_[offset2]);
 528           const auto row3 = reinterpret_cast<const __m128i*>(&weights_[offset3]);
 529
 530           for (int j = 0; j < (int)kNumChunks; j += 1)
 531           {
 532             const __m128i in = input_vector[j];
 533
 534             m128_add_dpbusd_epi32(sum0, in, row0[j]);
 535             m128_add_dpbusd_epi32(sum1, in, row1[j]);
 536             m128_add_dpbusd_epi32(sum2, in, row2[j]);
 537             m128_add_dpbusd_epi32(sum3, in, row3[j]);
 538           }
 539
 540           *outptr = m128_haddx4(sum0, sum1, sum2, sum3, bias);
 541         }
 542       }
 543       else if constexpr (kOutputDimensions == 1)
 544       {
 545         __m128i sum0 = _mm_setzero_si128();
 546
 547         const auto row0 = reinterpret_cast<const __m128i*>(&weights_[0]);
 548
 549         for (int j = 0; j < (int)kNumChunks; j += 1)
 550         {
 551           const __m128i in = input_vector[j];
 552
 553           m128_add_dpbusd_epi32(sum0, in, row0[j]);
 554         }
 555
 556         output[0] = m128_hadd(sum0, biases_[0]);
 557       }
 558       else
 559       {
 560         // This case can never happen because kOutputDimensions
 561         // is always 1 or a multiple of kSimdWidth.
 562         assert(false);
 563       }
 564
 565 #else
 566
 567 // Use old implementation for the other architectures.
 568
 569       auto output = reinterpret_cast<OutputType*>(buffer);
 570
 571 #if defined(USE_SSE2)
 572       constexpr IndexType kNumChunks = kPaddedInputDimensions / kSimdWidth;
 573 #ifndef USE_SSSE3
 574       const __m128i kZeros = _mm_setzero_si128();
 575 #else
 576       const __m128i kOnes = _mm_set1_epi16(1);
 577 #endif
 578       const auto input_vector = reinterpret_cast<const __m128i*>(input);
 579
 580 #elif defined(USE_MMX)
 581       constexpr IndexType kNumChunks = kPaddedInputDimensions / kSimdWidth;
 582       const __m64 kZeros = _mm_setzero_si64();
 583       const auto input_vector = reinterpret_cast<const __m64*>(input);
 584
 585 #elif defined(USE_NEON)
 586       constexpr IndexType kNumChunks = kPaddedInputDimensions / kSimdWidth;
 587       const auto input_vector = reinterpret_cast<const int8x8_t*>(input);
 588 #endif
 589
 590       for (IndexType i = 0; i < kOutputDimensions; ++i) {
 591         const IndexType offset = i * kPaddedInputDimensions;
 592
 593 #if defined(USE_SSE2)
 594         __m128i sum_lo = _mm_cvtsi32_si128(biases_[i]);
 595         __m128i sum_hi = kZeros;
 596         const auto row = reinterpret_cast<const __m128i*>(&weights_[offset]);
 597         for (IndexType j = 0; j < kNumChunks; ++j) {
 598           __m128i row_j = _mm_load_si128(&row[j]);
 599           __m128i input_j = _mm_load_si128(&input_vector[j]);
 600           __m128i row_signs = _mm_cmpgt_epi8(kZeros, row_j);
 601           __m128i extended_row_lo = _mm_unpacklo_epi8(row_j, row_signs);
 602           __m128i extended_row_hi = _mm_unpackhi_epi8(row_j, row_signs);
 603           __m128i extended_input_lo = _mm_unpacklo_epi8(input_j, kZeros);
 604           __m128i extended_input_hi = _mm_unpackhi_epi8(input_j, kZeros);
 605           __m128i product_lo = _mm_madd_epi16(extended_row_lo, extended_input_lo);
 606           __m128i product_hi = _mm_madd_epi16(extended_row_hi, extended_input_hi);
 607           sum_lo = _mm_add_epi32(sum_lo, product_lo);
 608           sum_hi = _mm_add_epi32(sum_hi, product_hi);
 609         }
 610         __m128i sum = _mm_add_epi32(sum_lo, sum_hi);
 611         __m128i sum_high_64 = _mm_shuffle_epi32(sum, _MM_SHUFFLE(1, 0, 3, 2));
 612         sum = _mm_add_epi32(sum, sum_high_64);
 613         __m128i sum_second_32 = _mm_shufflelo_epi16(sum, _MM_SHUFFLE(1, 0, 3, 2));
 614         sum = _mm_add_epi32(sum, sum_second_32);
 615         output[i] = _mm_cvtsi128_si32(sum);
 616
 617 #elif defined(USE_MMX)
 618         __m64 sum_lo = _mm_cvtsi32_si64(biases_[i]);
 619         __m64 sum_hi = kZeros;
 620         const auto row = reinterpret_cast<const __m64*>(&weights_[offset]);
 621         for (IndexType j = 0; j < kNumChunks; ++j) {
 622           __m64 row_j = row[j];
 623           __m64 input_j = input_vector[j];
 624           __m64 row_signs = _mm_cmpgt_pi8(kZeros, row_j);
 625           __m64 extended_row_lo = _mm_unpacklo_pi8(row_j, row_signs);
 626           __m64 extended_row_hi = _mm_unpackhi_pi8(row_j, row_signs);
 627           __m64 extended_input_lo = _mm_unpacklo_pi8(input_j, kZeros);
 628           __m64 extended_input_hi = _mm_unpackhi_pi8(input_j, kZeros);
 629           __m64 product_lo = _mm_madd_pi16(extended_row_lo, extended_input_lo);
 630           __m64 product_hi = _mm_madd_pi16(extended_row_hi, extended_input_hi);
 631           sum_lo = _mm_add_pi32(sum_lo, product_lo);
 632           sum_hi = _mm_add_pi32(sum_hi, product_hi);
 633         }
 634         __m64 sum = _mm_add_pi32(sum_lo, sum_hi);
 635         sum = _mm_add_pi32(sum, _mm_unpackhi_pi32(sum, sum));
 636         output[i] = _mm_cvtsi64_si32(sum);
 637
 638 #elif defined(USE_NEON)
 639         int32x4_t sum = {biases_[i]};
 640         const auto row = reinterpret_cast<const int8x8_t*>(&weights_[offset]);
 641         for (IndexType j = 0; j < kNumChunks; ++j) {
 642           int16x8_t product = vmull_s8(input_vector[j * 2], row[j * 2]);
 643           product = vmlal_s8(product, input_vector[j * 2 + 1], row[j * 2 + 1]);
 644           sum = vpadalq_s16(sum, product);
 645         }
 646         output[i] = sum[0] + sum[1] + sum[2] + sum[3];
 647
 648 #else
 649         OutputType sum = biases_[i];
 650         for (IndexType j = 0; j < kInputDimensions; ++j) {
 651           sum += weights_[offset + j] * input[j];
 652         }
 653         output[i] = sum;
 654 #endif
 655
 656       }
 657 #if defined(USE_MMX)
 658       _mm_empty();
 659 #endif
 660
 661 #endif
 662
 663       return output;
 664     }
 665
 666    private:
 667     using BiasType = OutputType;
 668     using WeightType = std::int8_t;
 669
 670     PreviousLayer previous_layer_;
 671
 672     alignas(kCacheLineSize) BiasType biases_[kOutputDimensions];
 673     alignas(kCacheLineSize)
 674         WeightType weights_[kOutputDimensions * kPaddedInputDimensions];
 675   };
 676
 677 }  // namespace Eval::NNUE::Layers
 678
 679 #endif // #ifndef NNUE_LAYERS_AFFINE_TRANSFORM_H_INCLUDED