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) 2004-2023 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 (a specialization for large inputs):
  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 (a specialization for small inputs):
  46     - used when the PaddedInputDimensions < 128
  47     - expected use-case is for when PaddedInputDimensions == 32 and InputDimensions <= 32.
  48       - that's why AVX512 is hard to implement
  49     - expected use-case is small layers
  50       - not optimized as well as the approach 1
  51     - inputs are processed in chunks of 4, weights are respectively transposed
  52     - accumulation happens directly to int32s
  53 */
  54
  55 namespace Stockfish::Eval::NNUE::Layers {
  56
  57 // Fallback implementation for older/other architectures.
  58 // Identical for both approaches. Requires the input to be padded to at least 16 values.
  59 #if !defined(USE_SSSE3)
  60   template <IndexType InputDimensions, IndexType PaddedInputDimensions, IndexType OutputDimensions>
  61   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)
  62   {
  63 # if defined(USE_SSE2)
  64     // At least a multiple of 16, with SSE2.
  65     constexpr IndexType NumChunks = ceil_to_multiple<IndexType>(InputDimensions, 16) / 16;
  66     const __m128i Zeros = _mm_setzero_si128();
  67     const auto inputVector = reinterpret_cast<const __m128i*>(input);
  68
  69 # elif defined(USE_MMX)
  70     constexpr IndexType NumChunks = ceil_to_multiple<IndexType>(InputDimensions, 8) / 8;
  71     const __m64 Zeros = _mm_setzero_si64();
  72     const auto inputVector = reinterpret_cast<const __m64*>(input);
  73
  74 # elif defined(USE_NEON_DOTPROD)
  75     constexpr IndexType NumChunks = ceil_to_multiple<IndexType>(InputDimensions, 16) / 16;
  76     const auto inputVector = reinterpret_cast<const int8x16_t*>(input);
  77
  78 # elif defined(USE_NEON)
  79     constexpr IndexType NumChunks = ceil_to_multiple<IndexType>(InputDimensions, 16) / 16;
  80     const auto inputVector = reinterpret_cast<const int8x8_t*>(input);
  81 # endif
  82
  83     for (IndexType i = 0; i < OutputDimensions; ++i) {
  84       const IndexType offset = i * PaddedInputDimensions;
  85
  86 # if defined(USE_SSE2)
  87       __m128i sumLo = _mm_cvtsi32_si128(biases[i]);
  88       __m128i sumHi = Zeros;
  89       const auto row = reinterpret_cast<const __m128i*>(&weights[offset]);
  90       for (IndexType j = 0; j < NumChunks; ++j) {
  91         __m128i row_j = _mm_load_si128(&row[j]);
  92         __m128i input_j = _mm_load_si128(&inputVector[j]);
  93         __m128i extendedRowLo = _mm_srai_epi16(_mm_unpacklo_epi8(row_j, row_j), 8);
  94         __m128i extendedRowHi = _mm_srai_epi16(_mm_unpackhi_epi8(row_j, row_j), 8);
  95         __m128i extendedInputLo = _mm_unpacklo_epi8(input_j, Zeros);
  96         __m128i extendedInputHi = _mm_unpackhi_epi8(input_j, Zeros);
  97         __m128i productLo = _mm_madd_epi16(extendedRowLo, extendedInputLo);
  98         __m128i productHi = _mm_madd_epi16(extendedRowHi, extendedInputHi);
  99         sumLo = _mm_add_epi32(sumLo, productLo);
 100         sumHi = _mm_add_epi32(sumHi, productHi);
 101       }
 102       __m128i sum = _mm_add_epi32(sumLo, sumHi);
 103       __m128i sumHigh_64 = _mm_shuffle_epi32(sum, _MM_SHUFFLE(1, 0, 3, 2));
 104       sum = _mm_add_epi32(sum, sumHigh_64);
 105       __m128i sum_second_32 = _mm_shufflelo_epi16(sum, _MM_SHUFFLE(1, 0, 3, 2));
 106       sum = _mm_add_epi32(sum, sum_second_32);
 107       output[i] = _mm_cvtsi128_si32(sum);
 108
 109 # elif defined(USE_MMX)
 110       __m64 sumLo = _mm_cvtsi32_si64(biases[i]);
 111       __m64 sumHi = Zeros;
 112       const auto row = reinterpret_cast<const __m64*>(&weights[offset]);
 113       for (IndexType j = 0; j < NumChunks; ++j) {
 114         __m64 row_j = row[j];
 115         __m64 input_j = inputVector[j];
 116         __m64 extendedRowLo = _mm_srai_pi16(_mm_unpacklo_pi8(row_j, row_j), 8);
 117         __m64 extendedRowHi = _mm_srai_pi16(_mm_unpackhi_pi8(row_j, row_j), 8);
 118         __m64 extendedInputLo = _mm_unpacklo_pi8(input_j, Zeros);
 119         __m64 extendedInputHi = _mm_unpackhi_pi8(input_j, Zeros);
 120         __m64 productLo = _mm_madd_pi16(extendedRowLo, extendedInputLo);
 121         __m64 productHi = _mm_madd_pi16(extendedRowHi, extendedInputHi);
 122         sumLo = _mm_add_pi32(sumLo, productLo);
 123         sumHi = _mm_add_pi32(sumHi, productHi);
 124       }
 125       __m64 sum = _mm_add_pi32(sumLo, sumHi);
 126       sum = _mm_add_pi32(sum, _mm_unpackhi_pi32(sum, sum));
 127       output[i] = _mm_cvtsi64_si32(sum);
 128
 129 # elif defined(USE_NEON_DOTPROD)
 130       int32x4_t sum = {biases[i]};
 131       const auto row = reinterpret_cast<const int8x16_t*>(&weights[offset]);
 132       for (IndexType j = 0; j < NumChunks; ++j) {
 133         sum = vdotq_s32(sum, inputVector[j], row[j]);
 134       }
 135       output[i] = vaddvq_s32(sum);
 136
 137 # elif defined(USE_NEON)
 138       int32x4_t sum = {biases[i]};
 139       const auto row = reinterpret_cast<const int8x8_t*>(&weights[offset]);
 140       for (IndexType j = 0; j < NumChunks; ++j) {
 141         int16x8_t product = vmull_s8(inputVector[j * 2], row[j * 2]);
 142         product = vmlal_s8(product, inputVector[j * 2 + 1], row[j * 2 + 1]);
 143         sum = vpadalq_s16(sum, product);
 144       }
 145       output[i] = sum[0] + sum[1] + sum[2] + sum[3];
 146
 147 # else
 148       std::int32_t sum = biases[i];
 149       for (IndexType j = 0; j < InputDimensions; ++j) {
 150         sum += weights[offset + j] * input[j];
 151       }
 152       output[i] = sum;
 153 # endif
 154     }
 155
 156 # if defined(USE_MMX)
 157     _mm_empty();
 158 # endif
 159   }
 160 #endif
 161
 162   template <IndexType InDims, IndexType OutDims, typename Enabled = void>
 163   class AffineTransform;
 164
 165 #if defined (USE_AVX512)
 166   constexpr IndexType LargeInputSize = 2 * 64;
 167 #else
 168   constexpr IndexType LargeInputSize = std::numeric_limits<IndexType>::max();
 169 #endif
 170
 171   // A specialization for large inputs
 172   template <IndexType InDims, IndexType OutDims>
 173   class AffineTransform<InDims, OutDims, std::enable_if_t<(ceil_to_multiple<IndexType>(InDims, MaxSimdWidth) >= LargeInputSize)>> {
 174    public:
 175     // Input/output type
 176     using InputType = std::uint8_t;
 177     using OutputType = std::int32_t;
 178
 179     // Number of input/output dimensions
 180     static constexpr IndexType InputDimensions = InDims;
 181     static constexpr IndexType OutputDimensions = OutDims;
 182
 183     static constexpr IndexType PaddedInputDimensions =
 184       ceil_to_multiple<IndexType>(InputDimensions, MaxSimdWidth);
 185     static constexpr IndexType PaddedOutputDimensions =
 186       ceil_to_multiple<IndexType>(OutputDimensions, MaxSimdWidth);
 187
 188     using OutputBuffer = OutputType[PaddedOutputDimensions];
 189
 190     static_assert(PaddedInputDimensions >= LargeInputSize, "Something went wrong. This specialization (for large inputs) should not have been chosen.");
 191
 192 #if defined (USE_AVX512)
 193     static constexpr IndexType InputSimdWidth = 64;
 194     static constexpr IndexType MaxNumOutputRegs = 16;
 195 #elif defined (USE_AVX2)
 196     static constexpr IndexType InputSimdWidth = 32;
 197     static constexpr IndexType MaxNumOutputRegs = 8;
 198 #elif defined (USE_SSSE3)
 199     static constexpr IndexType InputSimdWidth = 16;
 200     static constexpr IndexType MaxNumOutputRegs = 8;
 201 #elif defined (USE_NEON_DOTPROD)
 202     static constexpr IndexType InputSimdWidth = 16;
 203     static constexpr IndexType MaxNumOutputRegs = 8;
 204 #elif defined (USE_NEON)
 205     static constexpr IndexType InputSimdWidth = 8;
 206     static constexpr IndexType MaxNumOutputRegs = 8;
 207 #else
 208     // The fallback implementation will not have permuted weights.
 209     // We define these to avoid a lot of ifdefs later.
 210     static constexpr IndexType InputSimdWidth = 1;
 211     static constexpr IndexType MaxNumOutputRegs = 1;
 212 #endif
 213
 214     // A big block is a region in the weight matrix of the size [PaddedInputDimensions, NumOutputRegs].
 215     // A small block is a region of size [InputSimdWidth, 1]
 216
 217     static constexpr IndexType NumOutputRegs = std::min(MaxNumOutputRegs, OutputDimensions);
 218     static constexpr IndexType SmallBlockSize = InputSimdWidth;
 219     static constexpr IndexType BigBlockSize = NumOutputRegs * PaddedInputDimensions;
 220     static constexpr IndexType NumSmallBlocksInBigBlock = BigBlockSize / SmallBlockSize;
 221     static constexpr IndexType NumSmallBlocksPerOutput = PaddedInputDimensions / SmallBlockSize;
 222     static constexpr IndexType NumBigBlocks = OutputDimensions / NumOutputRegs;
 223
 224     static_assert(OutputDimensions % NumOutputRegs == 0);
 225
 226     // Hash value embedded in the evaluation file
 227     static constexpr std::uint32_t get_hash_value(std::uint32_t prevHash) {
 228       std::uint32_t hashValue = 0xCC03DAE4u;
 229       hashValue += OutputDimensions;
 230       hashValue ^= prevHash >> 1;
 231       hashValue ^= prevHash << 31;
 232       return hashValue;
 233     }
 234
 235     /*
 236       Transposes the small blocks within a block.
 237       Effectively means that weights can be traversed sequentially during inference.
 238     */
 239     static IndexType get_weight_index(IndexType i)
 240     {
 241       const IndexType smallBlock = (i / SmallBlockSize) % NumSmallBlocksInBigBlock;
 242       const IndexType smallBlockCol = smallBlock / NumSmallBlocksPerOutput;
 243       const IndexType smallBlockRow = smallBlock % NumSmallBlocksPerOutput;
 244       const IndexType bigBlock   = i / BigBlockSize;
 245       const IndexType rest       = i % SmallBlockSize;
 246
 247       const IndexType idx =
 248           bigBlock * BigBlockSize
 249         + smallBlockRow * SmallBlockSize * NumOutputRegs
 250         + smallBlockCol * SmallBlockSize
 251         + rest;
 252
 253       return idx;
 254     }
 255
 256     // Read network parameters
 257     bool read_parameters(std::istream& stream) {
 258       read_little_endian<BiasType>(stream, biases, OutputDimensions);
 259
 260       for (IndexType i = 0; i < OutputDimensions * PaddedInputDimensions; ++i)
 261         weights[get_weight_index(i)] = read_little_endian<WeightType>(stream);
 262
 263       return !stream.fail();
 264     }
 265
 266     // Write network parameters
 267     bool write_parameters(std::ostream& stream) const {
 268       write_little_endian<BiasType>(stream, biases, OutputDimensions);
 269
 270       for (IndexType i = 0; i < OutputDimensions * PaddedInputDimensions; ++i)
 271         write_little_endian<WeightType>(stream, weights[get_weight_index(i)]);
 272
 273       return !stream.fail();
 274     }
 275
 276     // Forward propagation
 277     const OutputType* propagate(
 278         const InputType* input, OutputType* output) const {
 279
 280 #if defined (USE_AVX512)
 281       using acc_vec_t = __m512i;
 282       using bias_vec_t = __m128i;
 283       using weight_vec_t = __m512i;
 284       using in_vec_t = __m512i;
 285       #define vec_zero _mm512_setzero_si512()
 286       #define vec_add_dpbusd_32x2 Simd::m512_add_dpbusd_epi32x2
 287       #define vec_hadd Simd::m512_hadd
 288       #define vec_haddx4 Simd::m512_haddx4
 289 #elif defined (USE_AVX2)
 290       using acc_vec_t = __m256i;
 291       using bias_vec_t = __m128i;
 292       using weight_vec_t = __m256i;
 293       using in_vec_t = __m256i;
 294       #define vec_zero _mm256_setzero_si256()
 295       #define vec_add_dpbusd_32x2 Simd::m256_add_dpbusd_epi32x2
 296       #define vec_hadd Simd::m256_hadd
 297       #define vec_haddx4 Simd::m256_haddx4
 298 #elif defined (USE_SSSE3)
 299       using acc_vec_t = __m128i;
 300       using bias_vec_t = __m128i;
 301       using weight_vec_t = __m128i;
 302       using in_vec_t = __m128i;
 303       #define vec_zero _mm_setzero_si128()
 304       #define vec_add_dpbusd_32x2 Simd::m128_add_dpbusd_epi32x2
 305       #define vec_hadd Simd::m128_hadd
 306       #define vec_haddx4 Simd::m128_haddx4
 307 #elif defined (USE_NEON_DOTPROD)
 308       using acc_vec_t = int32x4_t;
 309       using bias_vec_t = int32x4_t;
 310       using weight_vec_t = int8x16_t;
 311       using in_vec_t = int8x16_t;
 312       #define vec_zero {0}
 313       #define vec_add_dpbusd_32x2 Simd::dotprod_m128_add_dpbusd_epi32x2
 314       #define vec_hadd Simd::neon_m128_hadd
 315       #define vec_haddx4 Simd::neon_m128_haddx4
 316 #elif defined (USE_NEON)
 317       using acc_vec_t = int32x4_t;
 318       using bias_vec_t = int32x4_t;
 319       using weight_vec_t = int8x8_t;
 320       using in_vec_t = int8x8_t;
 321       #define vec_zero {0}
 322       #define vec_add_dpbusd_32x2 Simd::neon_m128_add_dpbusd_epi32x2
 323       #define vec_hadd Simd::neon_m128_hadd
 324       #define vec_haddx4 Simd::neon_m128_haddx4
 325 #endif
 326
 327 #if defined (USE_SSSE3) || defined (USE_NEON)
 328       const in_vec_t* invec = reinterpret_cast<const in_vec_t*>(input);
 329
 330       // Perform accumulation to registers for each big block
 331       for (IndexType bigBlock = 0; bigBlock < NumBigBlocks; ++bigBlock)
 332       {
 333         acc_vec_t acc[NumOutputRegs] = { vec_zero };
 334
 335         // Each big block has NumOutputRegs small blocks in each "row", one per register.
 336         // We process two small blocks at a time to save on one addition without VNNI.
 337         for (IndexType smallBlock = 0; smallBlock < NumSmallBlocksPerOutput; smallBlock += 2)
 338         {
 339           const weight_vec_t* weightvec =
 340             reinterpret_cast<const weight_vec_t*>(
 341                 weights
 342               + bigBlock * BigBlockSize
 343               + smallBlock * SmallBlockSize * NumOutputRegs);
 344
 345           const in_vec_t in0 = invec[smallBlock + 0];
 346           const in_vec_t in1 = invec[smallBlock + 1];
 347
 348           for (IndexType k = 0; k < NumOutputRegs; ++k)
 349             vec_add_dpbusd_32x2(acc[k], in0, weightvec[k], in1, weightvec[k + NumOutputRegs]);
 350         }
 351
 352         // Horizontally add all accumulators.
 353         if constexpr (NumOutputRegs % 4 == 0)
 354         {
 355           bias_vec_t* outputvec = reinterpret_cast<bias_vec_t*>(output);
 356           const bias_vec_t* biasvec = reinterpret_cast<const bias_vec_t*>(biases);
 357
 358           for (IndexType k = 0; k < NumOutputRegs; k += 4)
 359           {
 360             const IndexType idx = (bigBlock * NumOutputRegs + k) / 4;
 361             outputvec[idx] = vec_haddx4(acc[k+0], acc[k+1], acc[k+2], acc[k+3], biasvec[idx]);
 362           }
 363         }
 364         else
 365         {
 366           for (IndexType k = 0; k < NumOutputRegs; ++k)
 367           {
 368             const IndexType idx = (bigBlock * NumOutputRegs + k);
 369             output[idx] = vec_hadd(acc[k], biases[idx]);
 370           }
 371         }
 372       }
 373
 374 # undef vec_zero
 375 # undef vec_add_dpbusd_32x2
 376 # undef vec_hadd
 377 # undef vec_haddx4
 378 #else
 379       // Use old implementation for the other architectures.
 380       affine_transform_non_ssse3<
 381         InputDimensions,
 382         PaddedInputDimensions,
 383         OutputDimensions>(output, weights, biases, input);
 384
 385 #endif
 386
 387       return output;
 388     }
 389
 390    private:
 391     using BiasType = OutputType;
 392     using WeightType = std::int8_t;
 393
 394     alignas(CacheLineSize) BiasType biases[OutputDimensions];
 395     alignas(CacheLineSize) WeightType weights[OutputDimensions * PaddedInputDimensions];
 396   };
 397
 398   // A specialization for small inputs
 399   template <IndexType InDims, IndexType OutDims>
 400   class AffineTransform<InDims, OutDims, std::enable_if_t<(ceil_to_multiple<IndexType>(InDims, MaxSimdWidth) < LargeInputSize)>> {
 401    public:
 402     // Input/output type
 403     // Input/output type
 404     using InputType = std::uint8_t;
 405     using OutputType = std::int32_t;
 406
 407     // Number of input/output dimensions
 408     static constexpr IndexType InputDimensions = InDims;
 409     static constexpr IndexType OutputDimensions = OutDims;
 410
 411     static constexpr IndexType PaddedInputDimensions =
 412       ceil_to_multiple<IndexType>(InputDimensions, MaxSimdWidth);
 413     static constexpr IndexType PaddedOutputDimensions =
 414       ceil_to_multiple<IndexType>(OutputDimensions, MaxSimdWidth);
 415
 416     using OutputBuffer = OutputType[PaddedOutputDimensions];
 417
 418     static_assert(PaddedInputDimensions < LargeInputSize, "Something went wrong. This specialization (for small inputs) should not have been chosen.");
 419
 420     // Hash value embedded in the evaluation file
 421     static constexpr std::uint32_t get_hash_value(std::uint32_t prevHash) {
 422       std::uint32_t hashValue = 0xCC03DAE4u;
 423       hashValue += OutputDimensions;
 424       hashValue ^= prevHash >> 1;
 425       hashValue ^= prevHash << 31;
 426       return hashValue;
 427     }
 428
 429     static IndexType get_weight_index_scrambled(IndexType i)
 430     {
 431       return
 432         (i / 4) % (PaddedInputDimensions / 4) * OutputDimensions * 4 +
 433         i / PaddedInputDimensions * 4 +
 434         i % 4;
 435     }
 436
 437     static IndexType get_weight_index(IndexType i)
 438     {
 439 #if defined (USE_SSSE3)
 440       return get_weight_index_scrambled(i);
 441 #else
 442       return i;
 443 #endif
 444     }
 445
 446     // Read network parameters
 447     bool read_parameters(std::istream& stream) {
 448       read_little_endian<BiasType>(stream, biases, OutputDimensions);
 449       for (IndexType i = 0; i < OutputDimensions * PaddedInputDimensions; ++i)
 450         weights[get_weight_index(i)] = read_little_endian<WeightType>(stream);
 451
 452       return !stream.fail();
 453     }
 454
 455     // Write network parameters
 456     bool write_parameters(std::ostream& stream) const {
 457       write_little_endian<BiasType>(stream, biases, OutputDimensions);
 458
 459       for (IndexType 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 InputType* input, OutputType* output) const {
 467
 468 #if defined (USE_AVX512)
 469       using vec_t = __m512i;
 470       #define vec_setzero _mm512_setzero_si512
 471       #define vec_set_32 _mm512_set1_epi32
 472       #define vec_add_dpbusd_32 Simd::m512_add_dpbusd_epi32
 473       #define vec_add_dpbusd_32x2 Simd::m512_add_dpbusd_epi32x2
 474       #define vec_hadd Simd::m512_hadd
 475 #elif defined (USE_AVX2)
 476       using vec_t = __m256i;
 477       #define vec_setzero _mm256_setzero_si256
 478       #define vec_set_32 _mm256_set1_epi32
 479       #define vec_add_dpbusd_32 Simd::m256_add_dpbusd_epi32
 480       #define vec_add_dpbusd_32x2 Simd::m256_add_dpbusd_epi32x2
 481       #define vec_hadd Simd::m256_hadd
 482 #elif defined (USE_SSSE3)
 483       using vec_t = __m128i;
 484       #define vec_setzero _mm_setzero_si128
 485       #define vec_set_32 _mm_set1_epi32
 486       #define vec_add_dpbusd_32 Simd::m128_add_dpbusd_epi32
 487       #define vec_add_dpbusd_32x2 Simd::m128_add_dpbusd_epi32x2
 488       #define vec_hadd Simd::m128_hadd
 489 #endif
 490
 491 #if defined (USE_SSSE3)
 492       const auto inputVector = reinterpret_cast<const vec_t*>(input);
 493
 494       static constexpr IndexType OutputSimdWidth = sizeof(vec_t) / sizeof(OutputType);
 495
 496       static_assert(OutputDimensions % OutputSimdWidth == 0 || OutputDimensions == 1);
 497
 498       if constexpr (OutputDimensions % OutputSimdWidth == 0)
 499       {
 500         constexpr IndexType NumChunks = ceil_to_multiple<IndexType>(InputDimensions, 8) / 4;
 501         constexpr IndexType NumRegs = OutputDimensions / OutputSimdWidth;
 502
 503         const auto input32 = reinterpret_cast<const std::int32_t*>(input);
 504         const vec_t* biasvec = reinterpret_cast<const vec_t*>(biases);
 505         vec_t acc[NumRegs];
 506         for (IndexType k = 0; k < NumRegs; ++k)
 507           acc[k] = biasvec[k];
 508
 509         for (IndexType i = 0; i < NumChunks; i += 2)
 510         {
 511           const vec_t in0 = vec_set_32(input32[i + 0]);
 512           const vec_t in1 = vec_set_32(input32[i + 1]);
 513           const auto col0 = reinterpret_cast<const vec_t*>(&weights[(i + 0) * OutputDimensions * 4]);
 514           const auto col1 = reinterpret_cast<const vec_t*>(&weights[(i + 1) * OutputDimensions * 4]);
 515           for (IndexType k = 0; k < NumRegs; ++k)
 516             vec_add_dpbusd_32x2(acc[k], in0, col0[k], in1, col1[k]);
 517         }
 518
 519         vec_t* outptr = reinterpret_cast<vec_t*>(output);
 520         for (IndexType k = 0; k < NumRegs; ++k)
 521           outptr[k] = acc[k];
 522       }
 523       else if constexpr (OutputDimensions == 1)
 524       {
 525         constexpr IndexType NumChunks = PaddedInputDimensions / SimdWidth;
 526         vec_t sum0 = vec_setzero();
 527         const auto row0 = reinterpret_cast<const vec_t*>(&weights[0]);
 528
 529         for (int j = 0; j < (int)NumChunks; ++j)
 530         {
 531           const vec_t in = inputVector[j];
 532           vec_add_dpbusd_32(sum0, in, row0[j]);
 533         }
 534         output[0] = vec_hadd(sum0, biases[0]);
 535       }
 536
 537 # undef vec_setzero
 538 # undef vec_set_32
 539 # undef vec_add_dpbusd_32
 540 # undef vec_add_dpbusd_32x2
 541 # undef vec_hadd
 542 #else
 543       // Use old implementation for the other architectures.
 544       affine_transform_non_ssse3<
 545         InputDimensions,
 546         PaddedInputDimensions,
 547         OutputDimensions>(output, weights, biases, input);
 548 #endif
 549
 550       return output;
 551     }
 552
 553    private:
 554     using BiasType = OutputType;
 555     using WeightType = std::int8_t;
 556
 557     alignas(CacheLineSize) BiasType biases[OutputDimensions];
 558     alignas(CacheLineSize) WeightType weights[OutputDimensions * PaddedInputDimensions];
 559   };
 560
 561 }  // namespace Stockfish::Eval::NNUE::Layers
 562
 563 #endif // #ifndef NNUE_LAYERS_AFFINE_TRANSFORM_H_INCLUDED