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