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) 2004-2022 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 <algorithm>
  26 #include <type_traits>
  27 #include "../nnue_common.h"
  28 #include "../../simd.h"
  29
  30 /*
  31   This file contains the definition for a fully connected layer (aka affine transform).
  32   Two approaches are employed, depending on the sizes of the transform.
  33
  34   Approach 1:
  35     - used when the PaddedInputDimensions >= 128
  36     - uses AVX512 if possible
  37     - processes inputs in batches of 2*InputSimdWidth
  38       - so in batches of 128 for AVX512
  39     - the weight blocks of size InputSimdWidth are transposed such that
  40       access is sequential
  41     - N columns of the weight matrix are processed a time, where N
  42       depends on the architecture (the amount of registers)
  43     - accumulate + hadd is used
  44
  45   Approach 2:
  46     - used when the PaddedInputDimensions < 128
  47     - does not use AVX512
  48     - expected use-case is for when PaddedInputDimensions == 32 and InputDimensions <= 32.
  49       - that's why AVX512 is hard to implement
  50     - expected use-case is small layers
  51       - not optimized as well as the approach 1
  52     - inputs are processed in chunks of 4, weights are respectively transposed
  53     - accumulation happens directly to int32s
  54 */
  55
  56 namespace Stockfish::Eval::NNUE::Layers {
  57
  58 // Fallback implementation for older/other architectures.
  59 // Identical for both approaches. Requires the input to be padded to at least 16 values.
  60 #if !defined(USE_SSSE3)
  61   template <IndexType InputDimensions, IndexType PaddedInputDimensions, IndexType OutputDimensions>
  62   static void affine_transform_non_ssse3(std::int32_t* output, const std::int8_t* weights, const std::int32_t* biases, const std::uint8_t* input)
  63   {
  64 # if defined(USE_SSE2)
  65     // At least a multiple of 16, with SSE2.
  66     static_assert(PaddedInputDimensions % 16 == 0);
  67     constexpr IndexType NumChunks = PaddedInputDimensions / 16;
  68     const __m128i Zeros = _mm_setzero_si128();
  69     const auto inputVector = reinterpret_cast<const __m128i*>(input);
  70
  71 # elif defined(USE_MMX)
  72     static_assert(InputDimensions % 8 == 0);
  73     constexpr IndexType NumChunks = InputDimensions / 8;
  74     const __m64 Zeros = _mm_setzero_si64();
  75     const auto inputVector = reinterpret_cast<const __m64*>(input);
  76
  77 # elif defined(USE_NEON)
  78     constexpr IndexType NumChunks = (InputDimensions + 15) / 16;
  79     const auto inputVector = reinterpret_cast<const int8x8_t*>(input);
  80 # endif
  81
  82     for (IndexType i = 0; i < OutputDimensions; ++i) {
  83       const IndexType offset = i * PaddedInputDimensions;
  84
  85 # if defined(USE_SSE2)
  86       __m128i sumLo = _mm_cvtsi32_si128(biases[i]);
  87       __m128i sumHi = Zeros;
  88       const auto row = reinterpret_cast<const __m128i*>(&weights[offset]);
  89       for (IndexType j = 0; j < NumChunks; ++j) {
  90         __m128i row_j = _mm_load_si128(&row[j]);
  91         __m128i input_j = _mm_load_si128(&inputVector[j]);
  92         __m128i extendedRowLo = _mm_srai_epi16(_mm_unpacklo_epi8(row_j, row_j), 8);
  93         __m128i extendedRowHi = _mm_srai_epi16(_mm_unpackhi_epi8(row_j, row_j), 8);
  94         __m128i extendedInputLo = _mm_unpacklo_epi8(input_j, Zeros);
  95         __m128i extendedInputHi = _mm_unpackhi_epi8(input_j, Zeros);
  96         __m128i productLo = _mm_madd_epi16(extendedRowLo, extendedInputLo);
  97         __m128i productHi = _mm_madd_epi16(extendedRowHi, extendedInputHi);
  98         sumLo = _mm_add_epi32(sumLo, productLo);
  99         sumHi = _mm_add_epi32(sumHi, productHi);
 100       }
 101       __m128i sum = _mm_add_epi32(sumLo, sumHi);
 102       __m128i sumHigh_64 = _mm_shuffle_epi32(sum, _MM_SHUFFLE(1, 0, 3, 2));
 103       sum = _mm_add_epi32(sum, sumHigh_64);
 104       __m128i sum_second_32 = _mm_shufflelo_epi16(sum, _MM_SHUFFLE(1, 0, 3, 2));
 105       sum = _mm_add_epi32(sum, sum_second_32);
 106       output[i] = _mm_cvtsi128_si32(sum);
 107
 108 # elif defined(USE_MMX)
 109       __m64 sumLo = _mm_cvtsi32_si64(biases[i]);
 110       __m64 sumHi = Zeros;
 111       const auto row = reinterpret_cast<const __m64*>(&weights[offset]);
 112       for (IndexType j = 0; j < NumChunks; ++j) {
 113         __m64 row_j = row[j];
 114         __m64 input_j = inputVector[j];
 115         __m64 extendedRowLo = _mm_srai_pi16(_mm_unpacklo_pi8(row_j, row_j), 8);
 116         __m64 extendedRowHi = _mm_srai_pi16(_mm_unpackhi_pi8(row_j, row_j), 8);
 117         __m64 extendedInputLo = _mm_unpacklo_pi8(input_j, Zeros);
 118         __m64 extendedInputHi = _mm_unpackhi_pi8(input_j, Zeros);
 119         __m64 productLo = _mm_madd_pi16(extendedRowLo, extendedInputLo);
 120         __m64 productHi = _mm_madd_pi16(extendedRowHi, extendedInputHi);
 121         sumLo = _mm_add_pi32(sumLo, productLo);
 122         sumHi = _mm_add_pi32(sumHi, productHi);
 123       }
 124       __m64 sum = _mm_add_pi32(sumLo, sumHi);
 125       sum = _mm_add_pi32(sum, _mm_unpackhi_pi32(sum, sum));
 126       output[i] = _mm_cvtsi64_si32(sum);
 127
 128 # elif defined(USE_NEON)
 129       int32x4_t sum = {biases[i]};
 130       const auto row = reinterpret_cast<const int8x8_t*>(&weights[offset]);
 131       for (IndexType j = 0; j < NumChunks; ++j) {
 132         int16x8_t product = vmull_s8(inputVector[j * 2], row[j * 2]);
 133         product = vmlal_s8(product, inputVector[j * 2 + 1], row[j * 2 + 1]);
 134         sum = vpadalq_s16(sum, product);
 135       }
 136       output[i] = sum[0] + sum[1] + sum[2] + sum[3];
 137
 138 # else
 139       std::int32_t sum = biases[i];
 140       for (IndexType j = 0; j < InputDimensions; ++j) {
 141         sum += weights[offset + j] * input[j];
 142       }
 143       output[i] = sum;
 144 # endif
 145     }
 146
 147 # if defined(USE_MMX)
 148     _mm_empty();
 149 # endif
 150   }
 151 #endif
 152
 153   template <typename PreviousLayer, IndexType OutDims, typename Enabled = void>
 154   class AffineTransform;
 155
 156   // A specialization for large inputs.
 157   template <typename PreviousLayer, IndexType OutDims>
 158   class AffineTransform<PreviousLayer, OutDims, std::enable_if_t<(PreviousLayer::OutputDimensions >= 2*64-1)>> {
 159    public:
 160     // Input/output type
 161     using InputType = typename PreviousLayer::OutputType;
 162     using OutputType = std::int32_t;
 163     static_assert(std::is_same<InputType, std::uint8_t>::value, "");
 164
 165     // Number of input/output dimensions
 166     static constexpr IndexType InputDimensions = PreviousLayer::OutputDimensions;
 167     static constexpr IndexType OutputDimensions = OutDims;
 168
 169     static constexpr IndexType PaddedInputDimensions =
 170       ceil_to_multiple<IndexType>(InputDimensions, MaxSimdWidth);
 171
 172     static_assert(PaddedInputDimensions >= 128, "Something went wrong. This specialization should not have been chosen.");
 173
 174 #if defined (USE_AVX512)
 175     static constexpr const IndexType InputSimdWidth = 64;
 176     static constexpr const IndexType MaxNumOutputRegs = 16;
 177 #elif defined (USE_AVX2)
 178     static constexpr const IndexType InputSimdWidth = 32;
 179     static constexpr const IndexType MaxNumOutputRegs = 8;
 180 #elif defined (USE_SSSE3)
 181     static constexpr const IndexType InputSimdWidth = 16;
 182     static constexpr const IndexType MaxNumOutputRegs = 8;
 183 #elif defined (USE_NEON)
 184     static constexpr const IndexType InputSimdWidth = 8;
 185     static constexpr const IndexType MaxNumOutputRegs = 8;
 186 #else
 187     // The fallback implementation will not have permuted weights.
 188     // We define these to avoid a lot of ifdefs later.
 189     static constexpr const IndexType InputSimdWidth = 1;
 190     static constexpr const IndexType MaxNumOutputRegs = 1;
 191 #endif
 192
 193     // A big block is a region in the weight matrix of the size [PaddedInputDimensions, NumOutputRegs].
 194     // A small block is a region of size [InputSimdWidth, 1]
 195
 196     static constexpr const IndexType NumOutputRegs = std::min(MaxNumOutputRegs, OutputDimensions);
 197     static constexpr const IndexType SmallBlockSize = InputSimdWidth;
 198     static constexpr const IndexType BigBlockSize = NumOutputRegs * PaddedInputDimensions;
 199     static constexpr const IndexType NumSmallBlocksInBigBlock = BigBlockSize / SmallBlockSize;
 200     static constexpr const IndexType NumSmallBlocksPerOutput = PaddedInputDimensions / SmallBlockSize;
 201     static constexpr const IndexType NumBigBlocks = OutputDimensions / NumOutputRegs;
 202
 203     static_assert(OutputDimensions % NumOutputRegs == 0);
 204
 205     // Size of forward propagation buffer used in this layer
 206     static constexpr std::size_t SelfBufferSize =
 207       ceil_to_multiple(OutputDimensions * sizeof(OutputType), CacheLineSize);
 208
 209     // Size of the forward propagation buffer used from the input layer to this layer
 210     static constexpr std::size_t BufferSize =
 211       PreviousLayer::BufferSize + SelfBufferSize;
 212
 213     // Hash value embedded in the evaluation file
 214     static constexpr std::uint32_t get_hash_value() {
 215       std::uint32_t hashValue = 0xCC03DAE4u;
 216       hashValue += OutputDimensions;
 217       hashValue ^= PreviousLayer::get_hash_value() >> 1;
 218       hashValue ^= PreviousLayer::get_hash_value() << 31;
 219       return hashValue;
 220     }
 221
 222     /*
 223       Transposes the small blocks within a block.
 224       Effectively means that weights can be traversed sequentially during inference.
 225     */
 226     static IndexType get_weight_index(IndexType i)
 227     {
 228       const IndexType smallBlock = (i / SmallBlockSize) % NumSmallBlocksInBigBlock;
 229       const IndexType smallBlockCol = smallBlock / NumSmallBlocksPerOutput;
 230       const IndexType smallBlockRow = smallBlock % NumSmallBlocksPerOutput;
 231       const IndexType bigBlock   = i / BigBlockSize;
 232       const IndexType rest       = i % SmallBlockSize;
 233
 234       const IndexType idx =
 235           bigBlock * BigBlockSize
 236         + smallBlockRow * SmallBlockSize * NumOutputRegs
 237         + smallBlockCol * SmallBlockSize
 238         + rest;
 239
 240       return idx;
 241     }
 242
 243     // Read network parameters
 244     bool read_parameters(std::istream& stream) {
 245       if (!previousLayer.read_parameters(stream)) return false;
 246       for (std::size_t i = 0; i < OutputDimensions; ++i)
 247         biases[i] = read_little_endian<BiasType>(stream);
 248
 249       for (std::size_t i = 0; i < OutputDimensions * PaddedInputDimensions; ++i)
 250         weights[get_weight_index(i)] = read_little_endian<WeightType>(stream);
 251
 252       return !stream.fail();
 253     }
 254
 255     // Write network parameters
 256     bool write_parameters(std::ostream& stream) const {
 257       if (!previousLayer.write_parameters(stream)) return false;
 258       for (std::size_t i = 0; i < OutputDimensions; ++i)
 259           write_little_endian<BiasType>(stream, biases[i]);
 260
 261       for (std::size_t i = 0; i < OutputDimensions * PaddedInputDimensions; ++i)
 262         write_little_endian<WeightType>(stream, weights[get_weight_index(i)]);
 263
 264       return !stream.fail();
 265     }
 266
 267     // Forward propagation
 268     const OutputType* propagate(
 269         const TransformedFeatureType* transformedFeatures, char* buffer) const {
 270       const auto input = previousLayer.propagate(
 271         transformedFeatures, buffer + SelfBufferSize);
 272       OutputType* output = reinterpret_cast<OutputType*>(buffer);
 273
 274 #if defined (USE_AVX512)
 275       using acc_vec_t = __m512i;
 276       using bias_vec_t = __m128i;
 277       using weight_vec_t = __m512i;
 278       using in_vec_t = __m512i;
 279       #define vec_zero _mm512_setzero_si512()
 280       #define vec_add_dpbusd_32x2 Simd::m512_add_dpbusd_epi32x2
 281       #define vec_hadd Simd::m512_hadd
 282       #define vec_haddx4 Simd::m512_haddx4
 283 #elif defined (USE_AVX2)
 284       using acc_vec_t = __m256i;
 285       using bias_vec_t = __m128i;
 286       using weight_vec_t = __m256i;
 287       using in_vec_t = __m256i;
 288       #define vec_zero _mm256_setzero_si256()
 289       #define vec_add_dpbusd_32x2 Simd::m256_add_dpbusd_epi32x2
 290       #define vec_hadd Simd::m256_hadd
 291       #define vec_haddx4 Simd::m256_haddx4
 292 #elif defined (USE_SSSE3)
 293       using acc_vec_t = __m128i;
 294       using bias_vec_t = __m128i;
 295       using weight_vec_t = __m128i;
 296       using in_vec_t = __m128i;
 297       #define vec_zero _mm_setzero_si128()
 298       #define vec_add_dpbusd_32x2 Simd::m128_add_dpbusd_epi32x2
 299       #define vec_hadd Simd::m128_hadd
 300       #define vec_haddx4 Simd::m128_haddx4
 301 #elif defined (USE_NEON)
 302       using acc_vec_t = int32x4_t;
 303       using bias_vec_t = int32x4_t;
 304       using weight_vec_t = int8x8_t;
 305       using in_vec_t = int8x8_t;
 306       #define vec_zero {0}
 307       #define vec_add_dpbusd_32x2 Simd::neon_m128_add_dpbusd_epi32x2
 308       #define vec_hadd Simd::neon_m128_hadd
 309       #define vec_haddx4 Simd::neon_m128_haddx4
 310 #endif
 311
 312 #if defined (USE_SSSE3) || defined (USE_NEON)
 313       const in_vec_t* invec = reinterpret_cast<const in_vec_t*>(input);
 314
 315
 316       // Perform accumulation to registers for each big block
 317       for (IndexType bigBlock = 0; bigBlock < NumBigBlocks; ++bigBlock)
 318       {
 319         acc_vec_t acc[NumOutputRegs] = { vec_zero };
 320
 321         // Each big block has NumOutputRegs small blocks in each "row", one per register.
 322         // We process two small blocks at a time to save on one addition without VNNI.
 323         for (IndexType smallBlock = 0; smallBlock < NumSmallBlocksPerOutput; smallBlock += 2)
 324         {
 325           const weight_vec_t* weightvec =
 326             reinterpret_cast<const weight_vec_t*>(
 327                 weights
 328               + bigBlock * BigBlockSize
 329               + smallBlock * SmallBlockSize * NumOutputRegs);
 330
 331           const in_vec_t in0 = invec[smallBlock + 0];
 332           const in_vec_t in1 = invec[smallBlock + 1];
 333
 334           for (IndexType k = 0; k < NumOutputRegs; ++k)
 335             vec_add_dpbusd_32x2(acc[k], in0, weightvec[k], in1, weightvec[k + NumOutputRegs]);
 336         }
 337
 338         // Horizontally add all accumulators.
 339         if constexpr (NumOutputRegs % 4 == 0)
 340         {
 341           bias_vec_t* outputvec = reinterpret_cast<bias_vec_t*>(output);
 342           const bias_vec_t* biasvec = reinterpret_cast<const bias_vec_t*>(biases);
 343
 344           for (IndexType k = 0; k < NumOutputRegs; k += 4)
 345           {
 346             const IndexType idx = (bigBlock * NumOutputRegs + k) / 4;
 347             outputvec[idx] = vec_haddx4(acc[k+0], acc[k+1], acc[k+2], acc[k+3], biasvec[idx]);
 348           }
 349         }
 350         else
 351         {
 352           for (IndexType k = 0; k < NumOutputRegs; ++k)
 353           {
 354             const IndexType idx = (bigBlock * NumOutputRegs + k);
 355             output[idx] = vec_hadd(acc[k], biases[idx]);
 356           }
 357         }
 358       }
 359
 360 # undef vec_zero
 361 # undef vec_add_dpbusd_32x2
 362 # undef vec_hadd
 363 # undef vec_haddx4
 364 #else
 365       // Use old implementation for the other architectures.
 366       affine_transform_non_ssse3<
 367         InputDimensions,
 368         PaddedInputDimensions,
 369         OutputDimensions>(output, weights, biases, input);
 370
 371 #endif
 372
 373       return output;
 374     }
 375
 376    private:
 377     using BiasType = OutputType;
 378     using WeightType = std::int8_t;
 379
 380     PreviousLayer previousLayer;
 381
 382     alignas(CacheLineSize) BiasType biases[OutputDimensions];
 383     alignas(CacheLineSize) WeightType weights[OutputDimensions * PaddedInputDimensions];
 384   };
 385
 386   template <typename PreviousLayer, IndexType OutDims>
 387   class AffineTransform<PreviousLayer, OutDims, std::enable_if_t<(PreviousLayer::OutputDimensions < 2*64-1)>> {
 388    public:
 389     // Input/output type
 390     using InputType = typename PreviousLayer::OutputType;
 391     using OutputType = std::int32_t;
 392     static_assert(std::is_same<InputType, std::uint8_t>::value, "");
 393
 394     // Number of input/output dimensions
 395     static constexpr IndexType InputDimensions =
 396         PreviousLayer::OutputDimensions;
 397     static constexpr IndexType OutputDimensions = OutDims;
 398     static constexpr IndexType PaddedInputDimensions =
 399         ceil_to_multiple<IndexType>(InputDimensions, MaxSimdWidth);
 400
 401     static_assert(PaddedInputDimensions < 128, "Something went wrong. This specialization should not have been chosen.");
 402
 403 #if defined (USE_SSSE3)
 404     static constexpr const IndexType OutputSimdWidth = SimdWidth / 4;
 405     static constexpr const IndexType InputSimdWidth = SimdWidth;
 406 #endif
 407
 408     // Size of forward propagation buffer used in this layer
 409     static constexpr std::size_t SelfBufferSize =
 410       ceil_to_multiple(OutputDimensions * sizeof(OutputType), CacheLineSize);
 411
 412     // Size of the forward propagation buffer used from the input layer to this layer
 413     static constexpr std::size_t BufferSize =
 414       PreviousLayer::BufferSize + SelfBufferSize;
 415
 416     // Hash value embedded in the evaluation file
 417     static constexpr std::uint32_t get_hash_value() {
 418       std::uint32_t hashValue = 0xCC03DAE4u;
 419       hashValue += OutputDimensions;
 420       hashValue ^= PreviousLayer::get_hash_value() >> 1;
 421       hashValue ^= PreviousLayer::get_hash_value() << 31;
 422       return hashValue;
 423     }
 424
 425     static IndexType get_weight_index_scrambled(IndexType i)
 426     {
 427       return
 428         (i / 4) % (PaddedInputDimensions / 4) * OutputDimensions * 4 +
 429         i / PaddedInputDimensions * 4 +
 430         i % 4;
 431     }
 432
 433     static IndexType get_weight_index(IndexType i)
 434     {
 435 #if defined (USE_SSSE3)
 436       return get_weight_index_scrambled(i);
 437 #else
 438       return i;
 439 #endif
 440     }
 441
 442     // Read network parameters
 443     bool read_parameters(std::istream& stream) {
 444       if (!previousLayer.read_parameters(stream)) return false;
 445       for (std::size_t i = 0; i < OutputDimensions; ++i)
 446         biases[i] = read_little_endian<BiasType>(stream);
 447       for (std::size_t i = 0; i < OutputDimensions * PaddedInputDimensions; ++i)
 448         weights[get_weight_index(i)] = read_little_endian<WeightType>(stream);
 449
 450       return !stream.fail();
 451     }
 452
 453     // Write network parameters
 454     bool write_parameters(std::ostream& stream) const {
 455       if (!previousLayer.write_parameters(stream)) return false;
 456       for (std::size_t i = 0; i < OutputDimensions; ++i)
 457         write_little_endian<BiasType>(stream, biases[i]);
 458
 459       for (std::size_t i = 0; i < OutputDimensions * PaddedInputDimensions; ++i)
 460         write_little_endian<WeightType>(stream, weights[get_weight_index(i)]);
 461
 462       return !stream.fail();
 463     }
 464     // Forward propagation
 465     const OutputType* propagate(
 466         const TransformedFeatureType* transformedFeatures, char* buffer) const {
 467       const auto input = previousLayer.propagate(
 468         transformedFeatures, buffer + SelfBufferSize);
 469       const auto output = reinterpret_cast<OutputType*>(buffer);
 470
 471 #if defined (USE_AVX2)
 472       using vec_t = __m256i;
 473       #define vec_setzero _mm256_setzero_si256
 474       #define vec_set_32 _mm256_set1_epi32
 475       #define vec_add_dpbusd_32 Simd::m256_add_dpbusd_epi32
 476       #define vec_add_dpbusd_32x2 Simd::m256_add_dpbusd_epi32x2
 477       #define vec_add_dpbusd_32x4 Simd::m256_add_dpbusd_epi32x4
 478       #define vec_hadd Simd::m256_hadd
 479       #define vec_haddx4 Simd::m256_haddx4
 480 #elif defined (USE_SSSE3)
 481       using vec_t = __m128i;
 482       #define vec_setzero _mm_setzero_si128
 483       #define vec_set_32 _mm_set1_epi32
 484       #define vec_add_dpbusd_32 Simd::m128_add_dpbusd_epi32
 485       #define vec_add_dpbusd_32x2 Simd::m128_add_dpbusd_epi32x2
 486       #define vec_add_dpbusd_32x4 Simd::m128_add_dpbusd_epi32x4
 487       #define vec_hadd Simd::m128_hadd
 488       #define vec_haddx4 Simd::m128_haddx4
 489 #endif
 490
 491 #if defined (USE_SSSE3)
 492       const auto inputVector = reinterpret_cast<const vec_t*>(input);
 493
 494       static_assert(InputDimensions % 8 == 0);
 495       static_assert(OutputDimensions % OutputSimdWidth == 0 || OutputDimensions == 1);
 496
 497       if constexpr (OutputDimensions % OutputSimdWidth == 0)
 498       {
 499         constexpr IndexType NumChunks = InputDimensions / 4;
 500         constexpr IndexType NumRegs = OutputDimensions / OutputSimdWidth;
 501
 502         const auto input32 = reinterpret_cast<const std::int32_t*>(input);
 503         const vec_t* biasvec = reinterpret_cast<const vec_t*>(biases);
 504         vec_t acc[NumRegs];
 505         for (IndexType k = 0; k < NumRegs; ++k)
 506           acc[k] = biasvec[k];
 507
 508         for (IndexType i = 0; i < NumChunks; i += 2)
 509         {
 510           const vec_t in0 = vec_set_32(input32[i + 0]);
 511           const vec_t in1 = vec_set_32(input32[i + 1]);
 512           const auto col0 = reinterpret_cast<const vec_t*>(&weights[(i + 0) * OutputDimensions * 4]);
 513           const auto col1 = reinterpret_cast<const vec_t*>(&weights[(i + 1) * OutputDimensions * 4]);
 514           for (IndexType k = 0; k < NumRegs; ++k)
 515             vec_add_dpbusd_32x2(acc[k], in0, col0[k], in1, col1[k]);
 516         }
 517
 518         vec_t* outptr = reinterpret_cast<vec_t*>(output);
 519         for (IndexType k = 0; k < NumRegs; ++k)
 520           outptr[k] = acc[k];
 521       }
 522       else if constexpr (OutputDimensions == 1)
 523       {
 524         constexpr IndexType NumChunks = PaddedInputDimensions / SimdWidth;
 525         vec_t sum0 = vec_setzero();
 526         const auto row0 = reinterpret_cast<const vec_t*>(&weights[0]);
 527
 528         for (int j = 0; j < (int)NumChunks; ++j)
 529         {
 530           const vec_t in = inputVector[j];
 531           vec_add_dpbusd_32(sum0, in, row0[j]);
 532         }
 533         output[0] = vec_hadd(sum0, biases[0]);
 534       }
 535
 536 # undef vec_setzero
 537 # undef vec_set_32
 538 # undef vec_add_dpbusd_32
 539 # undef vec_add_dpbusd_32x2
 540 # undef vec_add_dpbusd_32x4
 541 # undef vec_hadd
 542 # undef vec_haddx4
 543 #else
 544       // Use old implementation for the other architectures.
 545       affine_transform_non_ssse3<
 546         InputDimensions,
 547         PaddedInputDimensions,
 548         OutputDimensions>(output, weights, biases, input);
 549 #endif
 550
 551       return output;
 552     }
 553
 554    private:
 555     using BiasType = OutputType;
 556     using WeightType = std::int8_t;
 557
 558     PreviousLayer previousLayer;
 559
 560     alignas(CacheLineSize) BiasType biases[OutputDimensions];
 561     alignas(CacheLineSize) WeightType weights[OutputDimensions * PaddedInputDimensions];
 562   };
 563
 564 }  // namespace Stockfish::Eval::NNUE::Layers
 565
 566 #endif // #ifndef NNUE_LAYERS_AFFINE_TRANSFORM_H_INCLUDED