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) 2004-2021 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 Stockfish::Eval::NNUE::Layers {
  28
  29   // Affine transformation layer
  30   template <typename PreviousLayer, IndexType OutDims>
  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 InputDimensions =
  40         PreviousLayer::OutputDimensions;
  41     static constexpr IndexType OutputDimensions = OutDims;
  42     static constexpr IndexType PaddedInputDimensions =
  43         ceil_to_multiple<IndexType>(InputDimensions, MaxSimdWidth);
  44 #if defined (USE_AVX512)
  45     static constexpr const IndexType OutputSimdWidth = SimdWidth / 2;
  46 #elif defined (USE_SSSE3)
  47     static constexpr const IndexType OutputSimdWidth = SimdWidth / 4;
  48 #endif
  49 #if defined (USE_AVX512)
  50     static constexpr const IndexType InputSimdWidth = SimdWidth * 2;
  51 #elif defined (USE_SSSE3)
  52     static constexpr const IndexType InputSimdWidth = SimdWidth;
  53 #endif
  54
  55     // Size of forward propagation buffer used in this layer
  56     static constexpr std::size_t SelfBufferSize =
  57         ceil_to_multiple(OutputDimensions * sizeof(OutputType), CacheLineSize);
  58
  59     // Size of the forward propagation buffer used from the input layer to this layer
  60     static constexpr std::size_t BufferSize =
  61         PreviousLayer::BufferSize + SelfBufferSize;
  62
  63     // Hash value embedded in the evaluation file
  64     static constexpr std::uint32_t get_hash_value() {
  65       std::uint32_t hashValue = 0xCC03DAE4u;
  66       hashValue += OutputDimensions;
  67       hashValue ^= PreviousLayer::get_hash_value() >> 1;
  68       hashValue ^= PreviousLayer::get_hash_value() << 31;
  69       return hashValue;
  70     }
  71
  72     // Read network parameters
  73     bool read_parameters(std::istream& stream) {
  74       if (!previousLayer.read_parameters(stream)) return false;
  75       for (std::size_t i = 0; i < OutputDimensions; ++i)
  76         biases[i] = read_little_endian<BiasType>(stream);
  77       for (std::size_t i = 0; i < OutputDimensions * PaddedInputDimensions; ++i)
  78 #if !defined (USE_SSSE3)
  79         weights[i] = read_little_endian<WeightType>(stream);
  80 #elif defined (USE_VNNI) || defined (USE_AVX512)
  81         if constexpr (OutputDimensions <= 8 && OutputDimensions != 1)
  82             weights[i] = read_little_endian<WeightType>(stream);
  83         else
  84             weights[
  85               (i / 4) % (PaddedInputDimensions / 4) * OutputDimensions * 4 +
  86               i / PaddedInputDimensions * 4 +
  87               i % 4
  88             ] = read_little_endian<WeightType>(stream);
  89 #else
  90         weights[
  91           (i / 4) % (PaddedInputDimensions / 4) * OutputDimensions * 4 +
  92           i / PaddedInputDimensions * 4 +
  93           i % 4
  94         ] = read_little_endian<WeightType>(stream);
  95 #endif
  96
  97       return !stream.fail();
  98     }
  99
 100     // Write network parameters
 101     bool write_parameters(std::ostream& stream) const {
 102       if (!previousLayer.write_parameters(stream)) return false;
 103       for (std::size_t i = 0; i < OutputDimensions; ++i)
 104           write_little_endian<BiasType>(stream, biases[i]);
 105 #if !defined (USE_SSSE3)
 106       for (std::size_t i = 0; i < OutputDimensions * PaddedInputDimensions; ++i)
 107           write_little_endian<WeightType>(stream, weights[i]);
 108 #else
 109       std::unique_ptr<WeightType[]> unscrambledWeights = std::make_unique<WeightType[]>(OutputDimensions * PaddedInputDimensions);
 110       for (std::size_t i = 0; i < OutputDimensions * PaddedInputDimensions; ++i) {
 111           unscrambledWeights[i] =
 112               weights[
 113                 (i / 4) % (PaddedInputDimensions / 4) * OutputDimensions * 4 +
 114                 i / PaddedInputDimensions * 4 +
 115                 i % 4
 116               ];
 117       }
 118
 119       for (std::size_t i = 0; i < OutputDimensions * PaddedInputDimensions; ++i)
 120           write_little_endian<WeightType>(stream, unscrambledWeights[i]);
 121 #endif
 122
 123       return !stream.fail();
 124     }
 125     // Forward propagation
 126     const OutputType* propagate(
 127         const TransformedFeatureType* transformedFeatures, char* buffer) const {
 128       const auto input = previousLayer.propagate(
 129           transformedFeatures, buffer + SelfBufferSize);
 130
 131 #if defined (USE_AVX512)
 132
 133       [[maybe_unused]] const __m512i Ones512 = _mm512_set1_epi16(1);
 134
 135       [[maybe_unused]] auto m512_hadd = [](__m512i sum, int bias) -> int {
 136         return _mm512_reduce_add_epi32(sum) + bias;
 137       };
 138
 139       [[maybe_unused]] auto m512_hadd128x16_interleave = [](
 140         __m512i sum0, __m512i sum1, __m512i sum2, __m512i sum3) -> __m512i {
 141
 142         __m512i sum01a = _mm512_unpacklo_epi32(sum0, sum1);
 143         __m512i sum01b = _mm512_unpackhi_epi32(sum0, sum1);
 144
 145         __m512i sum23a = _mm512_unpacklo_epi32(sum2, sum3);
 146         __m512i sum23b = _mm512_unpackhi_epi32(sum2, sum3);
 147
 148         __m512i sum01 = _mm512_add_epi32(sum01a, sum01b);
 149         __m512i sum23 = _mm512_add_epi32(sum23a, sum23b);
 150
 151         __m512i sum0123a = _mm512_unpacklo_epi64(sum01, sum23);
 152         __m512i sum0123b = _mm512_unpackhi_epi64(sum01, sum23);
 153
 154         return _mm512_add_epi32(sum0123a, sum0123b);
 155       };
 156
 157       [[maybe_unused]] auto m512_haddx4 = [m512_hadd128x16_interleave](
 158         __m512i sum0, __m512i sum1, __m512i sum2, __m512i sum3, __m128i bias) -> __m128i {
 159
 160         __m512i sum = m512_hadd128x16_interleave(sum0, sum1, sum2, sum3);
 161
 162         __m256i sum256lo = _mm512_castsi512_si256(sum);
 163         __m256i sum256hi = _mm512_extracti64x4_epi64(sum, 1);
 164
 165         sum256lo = _mm256_add_epi32(sum256lo, sum256hi);
 166
 167         __m128i sum128lo = _mm256_castsi256_si128(sum256lo);
 168         __m128i sum128hi = _mm256_extracti128_si256(sum256lo, 1);
 169
 170         return _mm_add_epi32(_mm_add_epi32(sum128lo, sum128hi), bias);
 171       };
 172
 173       [[maybe_unused]] auto m512_add_dpbusd_epi32 = [=](__m512i& acc, __m512i a, __m512i b) {
 174 #if defined (USE_VNNI)
 175         acc = _mm512_dpbusd_epi32(acc, a, b);
 176 #else
 177         __m512i product0 = _mm512_maddubs_epi16(a, b);
 178         product0 = _mm512_madd_epi16(product0, Ones512);
 179         acc = _mm512_add_epi32(acc, product0);
 180 #endif
 181       };
 182
 183       [[maybe_unused]] auto m512_add_dpbusd_epi32x2 = [=](__m512i& acc, __m512i a0, __m512i b0, __m512i a1, __m512i b1) {
 184 #if defined (USE_VNNI)
 185         acc = _mm512_dpbusd_epi32(acc, a0, b0);
 186         acc = _mm512_dpbusd_epi32(acc, a1, b1);
 187 #else
 188         __m512i product0 = _mm512_maddubs_epi16(a0, b0);
 189         __m512i product1 = _mm512_maddubs_epi16(a1, b1);
 190         product0 = _mm512_adds_epi16(product0, product1);
 191         product0 = _mm512_madd_epi16(product0, Ones512);
 192         acc = _mm512_add_epi32(acc, product0);
 193 #endif
 194       };
 195
 196       [[maybe_unused]] auto m512_add_dpbusd_epi32x4 = [=](__m512i& acc, __m512i a0, __m512i b0, __m512i a1, __m512i b1,
 197                                                                         __m512i a2, __m512i b2, __m512i a3, __m512i b3) {
 198 #if defined (USE_VNNI)
 199         acc = _mm512_dpbusd_epi32(acc, a0, b0);
 200         acc = _mm512_dpbusd_epi32(acc, a1, b1);
 201         acc = _mm512_dpbusd_epi32(acc, a2, b2);
 202         acc = _mm512_dpbusd_epi32(acc, a3, b3);
 203 #else
 204         __m512i product0 = _mm512_maddubs_epi16(a0, b0);
 205         __m512i product1 = _mm512_maddubs_epi16(a1, b1);
 206         __m512i product2 = _mm512_maddubs_epi16(a2, b2);
 207         __m512i product3 = _mm512_maddubs_epi16(a3, b3);
 208         product0 = _mm512_adds_epi16(product0, product1);
 209         product0 = _mm512_madd_epi16(product0, Ones512);
 210         product2 = _mm512_adds_epi16(product2, product3);
 211         product2 = _mm512_madd_epi16(product2, Ones512);
 212         acc = _mm512_add_epi32(acc, _mm512_add_epi32(product0, product2));
 213 #endif
 214       };
 215
 216 #endif
 217 #if defined (USE_AVX2)
 218
 219       [[maybe_unused]] const __m256i Ones256 = _mm256_set1_epi16(1);
 220
 221       [[maybe_unused]] auto m256_hadd = [](__m256i sum, int bias) -> int {
 222         __m128i sum128 = _mm_add_epi32(_mm256_castsi256_si128(sum), _mm256_extracti128_si256(sum, 1));
 223         sum128 = _mm_add_epi32(sum128, _mm_shuffle_epi32(sum128, _MM_PERM_BADC));
 224         sum128 = _mm_add_epi32(sum128, _mm_shuffle_epi32(sum128, _MM_PERM_CDAB));
 225         return _mm_cvtsi128_si32(sum128) + bias;
 226       };
 227
 228       [[maybe_unused]] auto m256_haddx4 = [](__m256i sum0, __m256i sum1, __m256i sum2, __m256i sum3, __m128i bias) -> __m128i {
 229         sum0 = _mm256_hadd_epi32(sum0, sum1);
 230         sum2 = _mm256_hadd_epi32(sum2, sum3);
 231
 232         sum0 = _mm256_hadd_epi32(sum0, sum2);
 233
 234         __m128i sum128lo = _mm256_castsi256_si128(sum0);
 235         __m128i sum128hi = _mm256_extracti128_si256(sum0, 1);
 236
 237         return _mm_add_epi32(_mm_add_epi32(sum128lo, sum128hi), bias);
 238       };
 239
 240       [[maybe_unused]] auto m256_add_dpbusd_epi32 = [=](__m256i& acc, __m256i a, __m256i b) {
 241 #if defined (USE_VNNI)
 242         acc = _mm256_dpbusd_epi32(acc, a, b);
 243 #else
 244         __m256i product0 = _mm256_maddubs_epi16(a, b);
 245         product0 = _mm256_madd_epi16(product0, Ones256);
 246         acc = _mm256_add_epi32(acc, product0);
 247 #endif
 248       };
 249
 250       [[maybe_unused]] auto m256_add_dpbusd_epi32x2 = [=](__m256i& acc, __m256i a0, __m256i b0, __m256i a1, __m256i b1) {
 251 #if defined (USE_VNNI)
 252         acc = _mm256_dpbusd_epi32(acc, a0, b0);
 253         acc = _mm256_dpbusd_epi32(acc, a1, b1);
 254 #else
 255         __m256i product0 = _mm256_maddubs_epi16(a0, b0);
 256         __m256i product1 = _mm256_maddubs_epi16(a1, b1);
 257         product0 = _mm256_adds_epi16(product0, product1);
 258         product0 = _mm256_madd_epi16(product0, Ones256);
 259         acc = _mm256_add_epi32(acc, product0);
 260 #endif
 261       };
 262
 263       [[maybe_unused]] auto m256_add_dpbusd_epi32x4 = [=](__m256i& acc, __m256i a0, __m256i b0, __m256i a1, __m256i b1,
 264                                                                         __m256i a2, __m256i b2, __m256i a3, __m256i b3) {
 265 #if defined (USE_VNNI)
 266         acc = _mm256_dpbusd_epi32(acc, a0, b0);
 267         acc = _mm256_dpbusd_epi32(acc, a1, b1);
 268         acc = _mm256_dpbusd_epi32(acc, a2, b2);
 269         acc = _mm256_dpbusd_epi32(acc, a3, b3);
 270 #else
 271         __m256i product0 = _mm256_maddubs_epi16(a0, b0);
 272         __m256i product1 = _mm256_maddubs_epi16(a1, b1);
 273         __m256i product2 = _mm256_maddubs_epi16(a2, b2);
 274         __m256i product3 = _mm256_maddubs_epi16(a3, b3);
 275         product0 = _mm256_adds_epi16(product0, product1);
 276         product0 = _mm256_madd_epi16(product0, Ones256);
 277         product2 = _mm256_adds_epi16(product2, product3);
 278         product2 = _mm256_madd_epi16(product2, Ones256);
 279         acc = _mm256_add_epi32(acc, _mm256_add_epi32(product0, product2));
 280 #endif
 281       };
 282
 283 #endif
 284 #if defined (USE_SSSE3)
 285
 286       [[maybe_unused]] const __m128i Ones128 = _mm_set1_epi16(1);
 287
 288       [[maybe_unused]] auto m128_hadd = [](__m128i sum, int bias) -> int {
 289         sum = _mm_add_epi32(sum, _mm_shuffle_epi32(sum, 0x4E)); //_MM_PERM_BADC
 290         sum = _mm_add_epi32(sum, _mm_shuffle_epi32(sum, 0xB1)); //_MM_PERM_CDAB
 291         return _mm_cvtsi128_si32(sum) + bias;
 292       };
 293
 294       [[maybe_unused]] auto m128_haddx4 = [](__m128i sum0, __m128i sum1, __m128i sum2, __m128i sum3, __m128i bias) -> __m128i {
 295         sum0 = _mm_hadd_epi32(sum0, sum1);
 296         sum2 = _mm_hadd_epi32(sum2, sum3);
 297         sum0 = _mm_hadd_epi32(sum0, sum2);
 298         return _mm_add_epi32(sum0, bias);
 299       };
 300
 301       [[maybe_unused]] auto m128_add_dpbusd_epi32 = [=](__m128i& acc, __m128i a, __m128i b) {
 302         __m128i product0 = _mm_maddubs_epi16(a, b);
 303         product0 = _mm_madd_epi16(product0, Ones128);
 304         acc = _mm_add_epi32(acc, product0);
 305       };
 306
 307       [[maybe_unused]] auto m128_add_dpbusd_epi32x2 = [=](__m128i& acc, __m128i a0, __m128i b0, __m128i a1, __m128i b1) {
 308         __m128i product0 = _mm_maddubs_epi16(a0, b0);
 309         __m128i product1 = _mm_maddubs_epi16(a1, b1);
 310         product0 = _mm_adds_epi16(product0, product1);
 311         product0 = _mm_madd_epi16(product0, Ones128);
 312         acc = _mm_add_epi32(acc, product0);
 313       };
 314
 315       [[maybe_unused]] auto m128_add_dpbusd_epi32x4 = [=](__m128i& acc, __m128i a0, __m128i b0, __m128i a1, __m128i b1,
 316                                                                         __m128i a2, __m128i b2, __m128i a3, __m128i b3) {
 317         __m128i product0 = _mm_maddubs_epi16(a0, b0);
 318         __m128i product1 = _mm_maddubs_epi16(a1, b1);
 319         __m128i product2 = _mm_maddubs_epi16(a2, b2);
 320         __m128i product3 = _mm_maddubs_epi16(a3, b3);
 321         product0 = _mm_adds_epi16(product0, product1);
 322         product0 = _mm_madd_epi16(product0, Ones128);
 323         product2 = _mm_adds_epi16(product2, product3);
 324         product2 = _mm_madd_epi16(product2, Ones128);
 325         acc = _mm_add_epi32(acc, _mm_add_epi32(product0, product2));
 326       };
 327
 328 #endif
 329
 330 #if defined (USE_AVX512)
 331       using vec_t = __m512i;
 332       #define vec_setzero _mm512_setzero_si512
 333       #define vec_set_32 _mm512_set1_epi32
 334       [[maybe_unused]] auto& vec_add_dpbusd_32 = m512_add_dpbusd_epi32;
 335       [[maybe_unused]] auto& vec_add_dpbusd_32x2 = m512_add_dpbusd_epi32x2;
 336       [[maybe_unused]] auto& vec_add_dpbusd_32x4 = m512_add_dpbusd_epi32x4;
 337       [[maybe_unused]] auto& vec_hadd = m512_hadd;
 338       [[maybe_unused]] auto& vec_haddx4 = m512_haddx4;
 339 #elif defined (USE_AVX2)
 340       using vec_t = __m256i;
 341       #define vec_setzero _mm256_setzero_si256
 342       #define vec_set_32 _mm256_set1_epi32
 343       [[maybe_unused]] auto& vec_add_dpbusd_32 = m256_add_dpbusd_epi32;
 344       [[maybe_unused]] auto& vec_add_dpbusd_32x2 = m256_add_dpbusd_epi32x2;
 345       [[maybe_unused]] auto& vec_add_dpbusd_32x4 = m256_add_dpbusd_epi32x4;
 346       [[maybe_unused]] auto& vec_hadd = m256_hadd;
 347       [[maybe_unused]] auto& vec_haddx4 = m256_haddx4;
 348 #elif defined (USE_SSSE3)
 349       using vec_t = __m128i;
 350       #define vec_setzero _mm_setzero_si128
 351       #define vec_set_32 _mm_set1_epi32
 352       [[maybe_unused]] auto& vec_add_dpbusd_32 = m128_add_dpbusd_epi32;
 353       [[maybe_unused]] auto& vec_add_dpbusd_32x2 = m128_add_dpbusd_epi32x2;
 354       [[maybe_unused]] auto& vec_add_dpbusd_32x4 = m128_add_dpbusd_epi32x4;
 355       [[maybe_unused]] auto& vec_hadd = m128_hadd;
 356       [[maybe_unused]] auto& vec_haddx4 = m128_haddx4;
 357 #endif
 358
 359 #if defined (USE_SSSE3)
 360       const auto output = reinterpret_cast<OutputType*>(buffer);
 361       const auto inputVector = reinterpret_cast<const vec_t*>(input);
 362 #endif
 363
 364 #if defined (USE_VNNI) || defined (USE_AVX512)
 365
 366       static_assert(OutputDimensions == 1 || OutputDimensions % 4 == 0);
 367
 368       // OutputDimensions is either 1 or a multiple of SimdWidth
 369       // because then it is also an input dimension.
 370       if constexpr (OutputDimensions <= 8 && OutputDimensions != 1)
 371       {
 372           constexpr IndexType NumChunks = PaddedInputDimensions / InputSimdWidth;
 373
 374           static_assert(NumChunks % 2 == 0);
 375
 376           const auto input_vec = reinterpret_cast<const vec_t*>(input);
 377           const auto bias_vec = reinterpret_cast<const __m128i*>(biases);
 378           auto out_vec = reinterpret_cast<__m128i*>(output);
 379
 380           vec_t regs[OutputDimensions];
 381           for (IndexType k = 0; k < OutputDimensions; ++k)
 382             regs[k] = vec_setzero();
 383
 384           for (IndexType i = 0; i < NumChunks / 2; ++i)
 385           {
 386               const vec_t in0 = input_vec[i * 2 + 0];
 387               const vec_t in1 = input_vec[i * 2 + 1];
 388               for (IndexType k = 0; k < OutputDimensions; ++k)
 389               {
 390                   const vec_t w0 = reinterpret_cast<const vec_t*>(&weights[k * PaddedInputDimensions])[i * 2 + 0];
 391                   const vec_t w1 = reinterpret_cast<const vec_t*>(&weights[k * PaddedInputDimensions])[i * 2 + 1];
 392                   vec_add_dpbusd_32(regs[k], in0, w0);
 393                   vec_add_dpbusd_32(regs[k], in1, w1);
 394               }
 395           }
 396
 397           for (IndexType k = 0; k < OutputDimensions / 4; ++k)
 398           {
 399             out_vec[k] = vec_haddx4(
 400               regs[k * 4 + 0],
 401               regs[k * 4 + 1],
 402               regs[k * 4 + 2],
 403               regs[k * 4 + 3],
 404               bias_vec[k]
 405             );
 406           }
 407       }
 408       else if constexpr (InputDimensions == 8)
 409       {
 410           const auto input32 = reinterpret_cast<const std::int32_t*>(input);
 411           __m256i* outptr = reinterpret_cast<__m256i*>(output);
 412           std::memcpy(output, biases, OutputDimensions * sizeof(OutputType));
 413
 414           const __m256i in0 = _mm256_set1_epi32(input32[0]);
 415           const __m256i in1 = _mm256_set1_epi32(input32[1]);
 416           const auto col0 = reinterpret_cast<const __m256i*>(&weights[0]);
 417           const auto col1 = reinterpret_cast<const __m256i*>(&weights[OutputDimensions * 4]);
 418           for (IndexType j = 0; j * 8 < OutputDimensions; ++j)
 419               m256_add_dpbusd_epi32x2(outptr[j], in0, col0[j], in1, col1[j]);
 420       }
 421       else
 422
 423 #elif defined (USE_SSSE3)
 424
 425       if constexpr (OutputDimensions % OutputSimdWidth == 0 && InputDimensions == 8)
 426       {
 427           const auto input32 = reinterpret_cast<const std::int32_t*>(input);
 428           vec_t* outptr = reinterpret_cast<vec_t*>(output);
 429           std::memcpy(output, biases, OutputDimensions * sizeof(OutputType));
 430
 431           const vec_t in0 = vec_set_32(input32[0]);
 432           const vec_t in1 = vec_set_32(input32[1]);
 433           const auto col0 = reinterpret_cast<const vec_t*>(&weights[0]);
 434           const auto col1 = reinterpret_cast<const vec_t*>(&weights[OutputDimensions * 4]);
 435           for (IndexType j = 0; j * OutputSimdWidth < OutputDimensions; ++j)
 436               vec_add_dpbusd_32x2(outptr[j], in0, col0[j], in1, col1[j]);
 437       }
 438       else
 439
 440 #endif
 441
 442 #if defined (USE_SSSE3)
 443
 444       if constexpr (OutputDimensions % OutputSimdWidth == 0)
 445       {
 446           static_assert(InputDimensions % 16 == 0);
 447
 448           constexpr IndexType NumChunks = InputDimensions / 4;
 449           constexpr IndexType NumRegs = OutputDimensions / OutputSimdWidth;
 450
 451           const auto input32 = reinterpret_cast<const std::int32_t*>(input);
 452           const vec_t* biasvec = reinterpret_cast<const vec_t*>(biases);
 453           vec_t outs[NumRegs];
 454           for (IndexType k = 0; k < NumRegs; ++k)
 455               outs[k] = biasvec[k];
 456
 457           for (IndexType i = 0; i < NumChunks; i += 4)
 458           {
 459               const vec_t in0 = vec_set_32(input32[i + 0]);
 460               const vec_t in1 = vec_set_32(input32[i + 1]);
 461               const vec_t in2 = vec_set_32(input32[i + 2]);
 462               const vec_t in3 = vec_set_32(input32[i + 3]);
 463               const auto col0 = reinterpret_cast<const vec_t*>(&weights[(i + 0) * OutputDimensions * 4]);
 464               const auto col1 = reinterpret_cast<const vec_t*>(&weights[(i + 1) * OutputDimensions * 4]);
 465               const auto col2 = reinterpret_cast<const vec_t*>(&weights[(i + 2) * OutputDimensions * 4]);
 466               const auto col3 = reinterpret_cast<const vec_t*>(&weights[(i + 3) * OutputDimensions * 4]);
 467               for (IndexType k = 0; k < NumRegs; ++k)
 468                   vec_add_dpbusd_32x4(outs[k], in0, col0[k], in1, col1[k], in2, col2[k], in3, col3[k]);
 469           }
 470
 471           vec_t* outptr = reinterpret_cast<vec_t*>(output);
 472           for (IndexType k = 0; k < NumRegs; ++k)
 473               outptr[k] = outs[k];
 474       }
 475       else if constexpr (OutputDimensions == 1)
 476       {
 477           static_assert(InputDimensions % 4 == 0);
 478
 479 #if defined (USE_AVX512)
 480           if constexpr (PaddedInputDimensions % (SimdWidth * 2) != 0)
 481           {
 482               constexpr IndexType NumChunks = PaddedInputDimensions / SimdWidth;
 483               const auto inputVector256 = reinterpret_cast<const __m256i*>(input);
 484
 485               __m256i sum0 = _mm256_setzero_si256();
 486               const auto row0 = reinterpret_cast<const __m256i*>(&weights[0]);
 487
 488               for (int j = 0; j < (int)NumChunks; ++j)
 489               {
 490                   const __m256i in = inputVector256[j];
 491                   m256_add_dpbusd_epi32(sum0, in, row0[j]);
 492               }
 493               output[0] = m256_hadd(sum0, biases[0]);
 494           }
 495           else
 496 #endif
 497           {
 498 #if defined (USE_AVX512)
 499               constexpr IndexType NumChunks = PaddedInputDimensions / (SimdWidth * 2);
 500 #else
 501               constexpr IndexType NumChunks = PaddedInputDimensions / SimdWidth;
 502 #endif
 503               vec_t sum0 = vec_setzero();
 504               const auto row0 = reinterpret_cast<const vec_t*>(&weights[0]);
 505
 506               for (int j = 0; j < (int)NumChunks; ++j)
 507               {
 508                   const vec_t in = inputVector[j];
 509                   vec_add_dpbusd_32(sum0, in, row0[j]);
 510               }
 511               output[0] = vec_hadd(sum0, biases[0]);
 512           }
 513       }
 514
 515 #else
 516
 517 // Use old implementation for the other architectures.
 518
 519       auto output = reinterpret_cast<OutputType*>(buffer);
 520
 521 #if defined(USE_SSE2)
 522       // At least a multiple of 16, with SSE2.
 523       static_assert(PaddedInputDimensions % SimdWidth == 0);
 524       constexpr IndexType NumChunks = PaddedInputDimensions / SimdWidth;
 525       const __m128i Zeros = _mm_setzero_si128();
 526       const auto inputVector = reinterpret_cast<const __m128i*>(input);
 527
 528 #elif defined(USE_MMX)
 529       static_assert(InputDimensions % SimdWidth == 0);
 530       constexpr IndexType NumChunks = InputDimensions / SimdWidth;
 531       const __m64 Zeros = _mm_setzero_si64();
 532       const auto inputVector = reinterpret_cast<const __m64*>(input);
 533
 534 #elif defined(USE_NEON)
 535       static_assert(PaddedInputDimensions % SimdWidth == 0);
 536       constexpr IndexType NumChunks = PaddedInputDimensions / SimdWidth;
 537       const auto inputVector = reinterpret_cast<const int8x8_t*>(input);
 538 #endif
 539
 540       for (IndexType i = 0; i < OutputDimensions; ++i) {
 541         const IndexType offset = i * PaddedInputDimensions;
 542
 543 #if defined(USE_SSE2)
 544         __m128i sumLo = _mm_cvtsi32_si128(biases[i]);
 545         __m128i sumHi = Zeros;
 546         const auto row = reinterpret_cast<const __m128i*>(&weights[offset]);
 547         for (IndexType j = 0; j < NumChunks; ++j) {
 548           __m128i row_j = _mm_load_si128(&row[j]);
 549           __m128i input_j = _mm_load_si128(&inputVector[j]);
 550           __m128i extendedRowLo = _mm_srai_epi16(_mm_unpacklo_epi8(row_j, row_j), 8);
 551           __m128i extendedRowHi = _mm_srai_epi16(_mm_unpackhi_epi8(row_j, row_j), 8);
 552           __m128i extendedInputLo = _mm_unpacklo_epi8(input_j, Zeros);
 553           __m128i extendedInputHi = _mm_unpackhi_epi8(input_j, Zeros);
 554           __m128i productLo = _mm_madd_epi16(extendedRowLo, extendedInputLo);
 555           __m128i productHi = _mm_madd_epi16(extendedRowHi, extendedInputHi);
 556           sumLo = _mm_add_epi32(sumLo, productLo);
 557           sumHi = _mm_add_epi32(sumHi, productHi);
 558         }
 559         __m128i sum = _mm_add_epi32(sumLo, sumHi);
 560         __m128i sumHigh_64 = _mm_shuffle_epi32(sum, _MM_SHUFFLE(1, 0, 3, 2));
 561         sum = _mm_add_epi32(sum, sumHigh_64);
 562         __m128i sum_second_32 = _mm_shufflelo_epi16(sum, _MM_SHUFFLE(1, 0, 3, 2));
 563         sum = _mm_add_epi32(sum, sum_second_32);
 564         output[i] = _mm_cvtsi128_si32(sum);
 565
 566 #elif defined(USE_MMX)
 567         __m64 sumLo = _mm_cvtsi32_si64(biases[i]);
 568         __m64 sumHi = Zeros;
 569         const auto row = reinterpret_cast<const __m64*>(&weights[offset]);
 570         for (IndexType j = 0; j < NumChunks; ++j) {
 571           __m64 row_j = row[j];
 572           __m64 input_j = inputVector[j];
 573           __m64 extendedRowLo = _mm_srai_pi16(_mm_unpacklo_pi8(row_j, row_j), 8);
 574           __m64 extendedRowHi = _mm_srai_pi16(_mm_unpackhi_pi8(row_j, row_j), 8);
 575           __m64 extendedInputLo = _mm_unpacklo_pi8(input_j, Zeros);
 576           __m64 extendedInputHi = _mm_unpackhi_pi8(input_j, Zeros);
 577           __m64 productLo = _mm_madd_pi16(extendedRowLo, extendedInputLo);
 578           __m64 productHi = _mm_madd_pi16(extendedRowHi, extendedInputHi);
 579           sumLo = _mm_add_pi32(sumLo, productLo);
 580           sumHi = _mm_add_pi32(sumHi, productHi);
 581         }
 582         __m64 sum = _mm_add_pi32(sumLo, sumHi);
 583         sum = _mm_add_pi32(sum, _mm_unpackhi_pi32(sum, sum));
 584         output[i] = _mm_cvtsi64_si32(sum);
 585
 586 #elif defined(USE_NEON)
 587         int32x4_t sum = {biases[i]};
 588         const auto row = reinterpret_cast<const int8x8_t*>(&weights[offset]);
 589         for (IndexType j = 0; j < NumChunks; ++j) {
 590           int16x8_t product = vmull_s8(inputVector[j * 2], row[j * 2]);
 591           product = vmlal_s8(product, inputVector[j * 2 + 1], row[j * 2 + 1]);
 592           sum = vpadalq_s16(sum, product);
 593         }
 594         output[i] = sum[0] + sum[1] + sum[2] + sum[3];
 595
 596 #else
 597         OutputType sum = biases[i];
 598         for (IndexType j = 0; j < InputDimensions; ++j) {
 599           sum += weights[offset + j] * input[j];
 600         }
 601         output[i] = sum;
 602 #endif
 603
 604       }
 605 #if defined(USE_MMX)
 606       _mm_empty();
 607 #endif
 608
 609 #endif
 610
 611 #if (!defined (USE_SSSE3) && defined (USE_SSE2)) || defined (USE_NEON)
 612       static_assert(SimdWidth <= 16, "Otherwise we run outside of the padding for the output.");
 613       if constexpr (SimdWidth > OutputDimensions && OutputDimensions != 1)
 614           for (IndexType i = OutputDimensions; i < SimdWidth; ++i)
 615             output[i] = 0;
 616 #endif
 617
 618       return output;
 619     }
 620
 621    private:
 622     using BiasType = OutputType;
 623     using WeightType = std::int8_t;
 624
 625     PreviousLayer previousLayer;
 626
 627     alignas(CacheLineSize) BiasType biases[OutputDimensions];
 628     alignas(CacheLineSize) WeightType weights[OutputDimensions * PaddedInputDimensions];
 629   };
 630
 631 }  // namespace Stockfish::Eval::NNUE::Layers
 632
 633 #endif // #ifndef NNUE_LAYERS_AFFINE_TRANSFORM_H_INCLUDED