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:
  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_DOTPROD)
  76     constexpr IndexType NumChunks = ceil_to_multiple<IndexType>(InputDimensions, 16) / 16;
  77     const auto inputVector = reinterpret_cast<const int8x16_t*>(input);
  78
  79 # elif defined(USE_NEON)
  80     constexpr IndexType NumChunks = ceil_to_multiple<IndexType>(InputDimensions, 16) / 16;
  81     const auto inputVector = reinterpret_cast<const int8x8_t*>(input);
  82 # endif
  83
  84     for (IndexType i = 0; i < OutputDimensions; ++i) {
  85       const IndexType offset = i * PaddedInputDimensions;
  86
  87 # if defined(USE_SSE2)
  88       __m128i sumLo = _mm_cvtsi32_si128(biases[i]);
  89       __m128i sumHi = Zeros;
  90       const auto row = reinterpret_cast<const __m128i*>(&weights[offset]);
  91       for (IndexType j = 0; j < NumChunks; ++j) {
  92         __m128i row_j = _mm_load_si128(&row[j]);
  93         __m128i input_j = _mm_load_si128(&inputVector[j]);
  94         __m128i extendedRowLo = _mm_srai_epi16(_mm_unpacklo_epi8(row_j, row_j), 8);
  95         __m128i extendedRowHi = _mm_srai_epi16(_mm_unpackhi_epi8(row_j, row_j), 8);
  96         __m128i extendedInputLo = _mm_unpacklo_epi8(input_j, Zeros);
  97         __m128i extendedInputHi = _mm_unpackhi_epi8(input_j, Zeros);
  98         __m128i productLo = _mm_madd_epi16(extendedRowLo, extendedInputLo);
  99         __m128i productHi = _mm_madd_epi16(extendedRowHi, extendedInputHi);
 100         sumLo = _mm_add_epi32(sumLo, productLo);
 101         sumHi = _mm_add_epi32(sumHi, productHi);
 102       }
 103       __m128i sum = _mm_add_epi32(sumLo, sumHi);
 104       __m128i sumHigh_64 = _mm_shuffle_epi32(sum, _MM_SHUFFLE(1, 0, 3, 2));
 105       sum = _mm_add_epi32(sum, sumHigh_64);
 106       __m128i sum_second_32 = _mm_shufflelo_epi16(sum, _MM_SHUFFLE(1, 0, 3, 2));
 107       sum = _mm_add_epi32(sum, sum_second_32);
 108       output[i] = _mm_cvtsi128_si32(sum);
 109
 110 # elif defined(USE_MMX)
 111       __m64 sumLo = _mm_cvtsi32_si64(biases[i]);
 112       __m64 sumHi = Zeros;
 113       const auto row = reinterpret_cast<const __m64*>(&weights[offset]);
 114       for (IndexType j = 0; j < NumChunks; ++j) {
 115         __m64 row_j = row[j];
 116         __m64 input_j = inputVector[j];
 117         __m64 extendedRowLo = _mm_srai_pi16(_mm_unpacklo_pi8(row_j, row_j), 8);
 118         __m64 extendedRowHi = _mm_srai_pi16(_mm_unpackhi_pi8(row_j, row_j), 8);
 119         __m64 extendedInputLo = _mm_unpacklo_pi8(input_j, Zeros);
 120         __m64 extendedInputHi = _mm_unpackhi_pi8(input_j, Zeros);
 121         __m64 productLo = _mm_madd_pi16(extendedRowLo, extendedInputLo);
 122         __m64 productHi = _mm_madd_pi16(extendedRowHi, extendedInputHi);
 123         sumLo = _mm_add_pi32(sumLo, productLo);
 124         sumHi = _mm_add_pi32(sumHi, productHi);
 125       }
 126       __m64 sum = _mm_add_pi32(sumLo, sumHi);
 127       sum = _mm_add_pi32(sum, _mm_unpackhi_pi32(sum, sum));
 128       output[i] = _mm_cvtsi64_si32(sum);
 129
 130 # elif defined(USE_NEON_DOTPROD)
 131       int32x4_t sum = {biases[i]};
 132       const auto row = reinterpret_cast<const int8x16_t*>(&weights[offset]);
 133       for (IndexType j = 0; j < NumChunks; ++j) {
 134         sum = vdotq_s32(sum, inputVector[j], row[j]);
 135       }
 136       output[i] = vaddvq_s32(sum);
 137
 138 # elif defined(USE_NEON)
 139       int32x4_t sum = {biases[i]};
 140       const auto row = reinterpret_cast<const int8x8_t*>(&weights[offset]);
 141       for (IndexType j = 0; j < NumChunks; ++j) {
 142         int16x8_t product = vmull_s8(inputVector[j * 2], row[j * 2]);
 143         product = vmlal_s8(product, inputVector[j * 2 + 1], row[j * 2 + 1]);
 144         sum = vpadalq_s16(sum, product);
 145       }
 146       output[i] = sum[0] + sum[1] + sum[2] + sum[3];
 147
 148 # else
 149       std::int32_t sum = biases[i];
 150       for (IndexType j = 0; j < InputDimensions; ++j) {
 151         sum += weights[offset + j] * input[j];
 152       }
 153       output[i] = sum;
 154 # endif
 155     }
 156
 157 # if defined(USE_MMX)
 158     _mm_empty();
 159 # endif
 160   }
 161 #endif
 162
 163   template <IndexType InDims, IndexType OutDims, typename Enabled = void>
 164   class AffineTransform;
 165
 166 #if defined (USE_AVX512)
 167   constexpr IndexType LargeInputSize = 2 * 64;
 168 #else
 169   constexpr IndexType LargeInputSize = std::numeric_limits<IndexType>::max();
 170 #endif
 171
 172   // A specialization for large inputs.
 173   template <IndexType InDims, IndexType OutDims>
 174   class AffineTransform<InDims, OutDims, std::enable_if_t<(ceil_to_multiple<IndexType>(InDims, MaxSimdWidth) >= LargeInputSize)>> {
 175    public:
 176     // Input/output type
 177     using InputType = std::uint8_t;
 178     using OutputType = std::int32_t;
 179
 180     // Number of input/output dimensions
 181     static constexpr IndexType InputDimensions = InDims;
 182     static constexpr IndexType OutputDimensions = OutDims;
 183
 184     static constexpr IndexType PaddedInputDimensions =
 185       ceil_to_multiple<IndexType>(InputDimensions, MaxSimdWidth);
 186     static constexpr IndexType PaddedOutputDimensions =
 187       ceil_to_multiple<IndexType>(OutputDimensions, MaxSimdWidth);
 188
 189     using OutputBuffer = OutputType[PaddedOutputDimensions];
 190
 191     static_assert(PaddedInputDimensions >= LargeInputSize, "Something went wrong. This specialization should not have been chosen.");
 192
 193 #if defined (USE_AVX512)
 194     static constexpr IndexType InputSimdWidth = 64;
 195     static constexpr IndexType MaxNumOutputRegs = 16;
 196 #elif defined (USE_AVX2)
 197     static constexpr IndexType InputSimdWidth = 32;
 198     static constexpr IndexType MaxNumOutputRegs = 8;
 199 #elif defined (USE_SSSE3)
 200     static constexpr IndexType InputSimdWidth = 16;
 201     static constexpr IndexType MaxNumOutputRegs = 8;
 202 #elif defined (USE_NEON_DOTPROD)
 203     static constexpr IndexType InputSimdWidth = 16;
 204     static constexpr IndexType MaxNumOutputRegs = 8;
 205 #elif defined (USE_NEON)
 206     static constexpr IndexType InputSimdWidth = 8;
 207     static constexpr IndexType MaxNumOutputRegs = 8;
 208 #else
 209     // The fallback implementation will not have permuted weights.
 210     // We define these to avoid a lot of ifdefs later.
 211     static constexpr IndexType InputSimdWidth = 1;
 212     static constexpr IndexType MaxNumOutputRegs = 1;
 213 #endif
 214
 215     // A big block is a region in the weight matrix of the size [PaddedInputDimensions, NumOutputRegs].
 216     // A small block is a region of size [InputSimdWidth, 1]
 217
 218     static constexpr IndexType NumOutputRegs = std::min(MaxNumOutputRegs, OutputDimensions);
 219     static constexpr IndexType SmallBlockSize = InputSimdWidth;
 220     static constexpr IndexType BigBlockSize = NumOutputRegs * PaddedInputDimensions;
 221     static constexpr IndexType NumSmallBlocksInBigBlock = BigBlockSize / SmallBlockSize;
 222     static constexpr IndexType NumSmallBlocksPerOutput = PaddedInputDimensions / SmallBlockSize;
 223     static constexpr IndexType NumBigBlocks = OutputDimensions / NumOutputRegs;
 224
 225     static_assert(OutputDimensions % NumOutputRegs == 0);
 226
 227     // Hash value embedded in the evaluation file
 228     static constexpr std::uint32_t get_hash_value(std::uint32_t prevHash) {
 229       std::uint32_t hashValue = 0xCC03DAE4u;
 230       hashValue += OutputDimensions;
 231       hashValue ^= prevHash >> 1;
 232       hashValue ^= prevHash << 31;
 233       return hashValue;
 234     }
 235
 236     /*
 237       Transposes the small blocks within a block.
 238       Effectively means that weights can be traversed sequentially during inference.
 239     */
 240     static IndexType get_weight_index(IndexType i)
 241     {
 242       const IndexType smallBlock = (i / SmallBlockSize) % NumSmallBlocksInBigBlock;
 243       const IndexType smallBlockCol = smallBlock / NumSmallBlocksPerOutput;
 244       const IndexType smallBlockRow = smallBlock % NumSmallBlocksPerOutput;
 245       const IndexType bigBlock   = i / BigBlockSize;
 246       const IndexType rest       = i % SmallBlockSize;
 247
 248       const IndexType idx =
 249           bigBlock * BigBlockSize
 250         + smallBlockRow * SmallBlockSize * NumOutputRegs
 251         + smallBlockCol * SmallBlockSize
 252         + rest;
 253
 254       return idx;
 255     }
 256
 257     // Read network parameters
 258     bool read_parameters(std::istream& stream) {
 259       for (IndexType i = 0; i < OutputDimensions; ++i)
 260         biases[i] = read_little_endian<BiasType>(stream);
 261
 262       for (IndexType i = 0; i < OutputDimensions * PaddedInputDimensions; ++i)
 263         weights[get_weight_index(i)] = read_little_endian<WeightType>(stream);
 264
 265       return !stream.fail();
 266     }
 267
 268     // Write network parameters
 269     bool write_parameters(std::ostream& stream) const {
 270       for (IndexType i = 0; i < OutputDimensions; ++i)
 271           write_little_endian<BiasType>(stream, biases[i]);
 272
 273       for (IndexType i = 0; i < OutputDimensions * PaddedInputDimensions; ++i)
 274         write_little_endian<WeightType>(stream, weights[get_weight_index(i)]);
 275
 276       return !stream.fail();
 277     }
 278
 279     // Forward propagation
 280     const OutputType* propagate(
 281         const InputType* input, OutputType* output) const {
 282
 283 #if defined (USE_AVX512)
 284       using acc_vec_t = __m512i;
 285       using bias_vec_t = __m128i;
 286       using weight_vec_t = __m512i;
 287       using in_vec_t = __m512i;
 288       #define vec_zero _mm512_setzero_si512()
 289       #define vec_add_dpbusd_32x2 Simd::m512_add_dpbusd_epi32x2
 290       #define vec_hadd Simd::m512_hadd
 291       #define vec_haddx4 Simd::m512_haddx4
 292 #elif defined (USE_AVX2)
 293       using acc_vec_t = __m256i;
 294       using bias_vec_t = __m128i;
 295       using weight_vec_t = __m256i;
 296       using in_vec_t = __m256i;
 297       #define vec_zero _mm256_setzero_si256()
 298       #define vec_add_dpbusd_32x2 Simd::m256_add_dpbusd_epi32x2
 299       #define vec_hadd Simd::m256_hadd
 300       #define vec_haddx4 Simd::m256_haddx4
 301 #elif defined (USE_SSSE3)
 302       using acc_vec_t = __m128i;
 303       using bias_vec_t = __m128i;
 304       using weight_vec_t = __m128i;
 305       using in_vec_t = __m128i;
 306       #define vec_zero _mm_setzero_si128()
 307       #define vec_add_dpbusd_32x2 Simd::m128_add_dpbusd_epi32x2
 308       #define vec_hadd Simd::m128_hadd
 309       #define vec_haddx4 Simd::m128_haddx4
 310 #elif defined (USE_NEON_DOTPROD)
 311       using acc_vec_t = int32x4_t;
 312       using bias_vec_t = int32x4_t;
 313       using weight_vec_t = int8x16_t;
 314       using in_vec_t = int8x16_t;
 315       #define vec_zero {0}
 316       #define vec_add_dpbusd_32x2 Simd::dotprod_m128_add_dpbusd_epi32x2
 317       #define vec_hadd Simd::neon_m128_hadd
 318       #define vec_haddx4 Simd::neon_m128_haddx4
 319 #elif defined (USE_NEON)
 320       using acc_vec_t = int32x4_t;
 321       using bias_vec_t = int32x4_t;
 322       using weight_vec_t = int8x8_t;
 323       using in_vec_t = int8x8_t;
 324       #define vec_zero {0}
 325       #define vec_add_dpbusd_32x2 Simd::neon_m128_add_dpbusd_epi32x2
 326       #define vec_hadd Simd::neon_m128_hadd
 327       #define vec_haddx4 Simd::neon_m128_haddx4
 328 #endif
 329
 330 #if defined (USE_SSSE3) || defined (USE_NEON)
 331       const in_vec_t* invec = reinterpret_cast<const in_vec_t*>(input);
 332
 333       // Perform accumulation to registers for each big block
 334       for (IndexType bigBlock = 0; bigBlock < NumBigBlocks; ++bigBlock)
 335       {
 336         acc_vec_t acc[NumOutputRegs] = { vec_zero };
 337
 338         // Each big block has NumOutputRegs small blocks in each "row", one per register.
 339         // We process two small blocks at a time to save on one addition without VNNI.
 340         for (IndexType smallBlock = 0; smallBlock < NumSmallBlocksPerOutput; smallBlock += 2)
 341         {
 342           const weight_vec_t* weightvec =
 343             reinterpret_cast<const weight_vec_t*>(
 344                 weights
 345               + bigBlock * BigBlockSize
 346               + smallBlock * SmallBlockSize * NumOutputRegs);
 347
 348           const in_vec_t in0 = invec[smallBlock + 0];
 349           const in_vec_t in1 = invec[smallBlock + 1];
 350
 351           for (IndexType k = 0; k < NumOutputRegs; ++k)
 352             vec_add_dpbusd_32x2(acc[k], in0, weightvec[k], in1, weightvec[k + NumOutputRegs]);
 353         }
 354
 355         // Horizontally add all accumulators.
 356         if constexpr (NumOutputRegs % 4 == 0)
 357         {
 358           bias_vec_t* outputvec = reinterpret_cast<bias_vec_t*>(output);
 359           const bias_vec_t* biasvec = reinterpret_cast<const bias_vec_t*>(biases);
 360
 361           for (IndexType k = 0; k < NumOutputRegs; k += 4)
 362           {
 363             const IndexType idx = (bigBlock * NumOutputRegs + k) / 4;
 364             outputvec[idx] = vec_haddx4(acc[k+0], acc[k+1], acc[k+2], acc[k+3], biasvec[idx]);
 365           }
 366         }
 367         else
 368         {
 369           for (IndexType k = 0; k < NumOutputRegs; ++k)
 370           {
 371             const IndexType idx = (bigBlock * NumOutputRegs + k);
 372             output[idx] = vec_hadd(acc[k], biases[idx]);
 373           }
 374         }
 375       }
 376
 377 # undef vec_zero
 378 # undef vec_add_dpbusd_32x2
 379 # undef vec_hadd
 380 # undef vec_haddx4
 381 #else
 382       // Use old implementation for the other architectures.
 383       affine_transform_non_ssse3<
 384         InputDimensions,
 385         PaddedInputDimensions,
 386         OutputDimensions>(output, weights, biases, input);
 387
 388 #endif
 389
 390       return output;
 391     }
 392
 393    private:
 394     using BiasType = OutputType;
 395     using WeightType = std::int8_t;
 396
 397     alignas(CacheLineSize) BiasType biases[OutputDimensions];
 398     alignas(CacheLineSize) WeightType weights[OutputDimensions * PaddedInputDimensions];
 399   };
 400
 401   template <IndexType InDims, IndexType OutDims>
 402   class AffineTransform<InDims, OutDims, std::enable_if_t<(ceil_to_multiple<IndexType>(InDims, MaxSimdWidth) < LargeInputSize)>> {
 403    public:
 404     // Input/output type
 405     // Input/output type
 406     using InputType = std::uint8_t;
 407     using OutputType = std::int32_t;
 408
 409     // Number of input/output dimensions
 410     static constexpr IndexType InputDimensions = InDims;
 411     static constexpr IndexType OutputDimensions = OutDims;
 412
 413     static constexpr IndexType PaddedInputDimensions =
 414       ceil_to_multiple<IndexType>(InputDimensions, MaxSimdWidth);
 415     static constexpr IndexType PaddedOutputDimensions =
 416       ceil_to_multiple<IndexType>(OutputDimensions, MaxSimdWidth);
 417
 418     using OutputBuffer = OutputType[PaddedOutputDimensions];
 419
 420     static_assert(PaddedInputDimensions < LargeInputSize, "Something went wrong. This specialization should not have been chosen.");
 421
 422 #if defined (USE_SSSE3)
 423     static constexpr IndexType OutputSimdWidth = SimdWidth / 4;
 424     static constexpr IndexType InputSimdWidth = SimdWidth;
 425 #endif
 426
 427     // Hash value embedded in the evaluation file
 428     static constexpr std::uint32_t get_hash_value(std::uint32_t prevHash) {
 429       std::uint32_t hashValue = 0xCC03DAE4u;
 430       hashValue += OutputDimensions;
 431       hashValue ^= prevHash >> 1;
 432       hashValue ^= prevHash << 31;
 433       return hashValue;
 434     }
 435
 436     static IndexType get_weight_index_scrambled(IndexType i)
 437     {
 438       return
 439         (i / 4) % (PaddedInputDimensions / 4) * OutputDimensions * 4 +
 440         i / PaddedInputDimensions * 4 +
 441         i % 4;
 442     }
 443
 444     static IndexType get_weight_index(IndexType i)
 445     {
 446 #if defined (USE_SSSE3)
 447       return get_weight_index_scrambled(i);
 448 #else
 449       return i;
 450 #endif
 451     }
 452
 453     // Read network parameters
 454     bool read_parameters(std::istream& stream) {
 455       for (IndexType i = 0; i < OutputDimensions; ++i)
 456         biases[i] = read_little_endian<BiasType>(stream);
 457       for (IndexType i = 0; i < OutputDimensions * PaddedInputDimensions; ++i)
 458         weights[get_weight_index(i)] = read_little_endian<WeightType>(stream);
 459
 460       return !stream.fail();
 461     }
 462
 463     // Write network parameters
 464     bool write_parameters(std::ostream& stream) const {
 465       for (IndexType i = 0; i < OutputDimensions; ++i)
 466         write_little_endian<BiasType>(stream, biases[i]);
 467
 468       for (IndexType i = 0; i < OutputDimensions * PaddedInputDimensions; ++i)
 469         write_little_endian<WeightType>(stream, weights[get_weight_index(i)]);
 470
 471       return !stream.fail();
 472     }
 473     // Forward propagation
 474     const OutputType* propagate(
 475         const InputType* input, OutputType* output) const {
 476
 477 #if defined (USE_AVX2)
 478       using vec_t = __m256i;
 479       #define vec_setzero _mm256_setzero_si256
 480       #define vec_set_32 _mm256_set1_epi32
 481       #define vec_add_dpbusd_32 Simd::m256_add_dpbusd_epi32
 482       #define vec_add_dpbusd_32x2 Simd::m256_add_dpbusd_epi32x2
 483       #define vec_add_dpbusd_32x4 Simd::m256_add_dpbusd_epi32x4
 484       #define vec_hadd Simd::m256_hadd
 485       #define vec_haddx4 Simd::m256_haddx4
 486 #elif defined (USE_SSSE3)
 487       using vec_t = __m128i;
 488       #define vec_setzero _mm_setzero_si128
 489       #define vec_set_32 _mm_set1_epi32
 490       #define vec_add_dpbusd_32 Simd::m128_add_dpbusd_epi32
 491       #define vec_add_dpbusd_32x2 Simd::m128_add_dpbusd_epi32x2
 492       #define vec_add_dpbusd_32x4 Simd::m128_add_dpbusd_epi32x4
 493       #define vec_hadd Simd::m128_hadd
 494       #define vec_haddx4 Simd::m128_haddx4
 495 #endif
 496
 497 #if defined (USE_SSSE3)
 498       const auto inputVector = reinterpret_cast<const vec_t*>(input);
 499
 500       static_assert(OutputDimensions % OutputSimdWidth == 0 || OutputDimensions == 1);
 501
 502       if constexpr (OutputDimensions % OutputSimdWidth == 0)
 503       {
 504         constexpr IndexType NumChunks = ceil_to_multiple<IndexType>(InputDimensions, 8) / 4;
 505         constexpr IndexType NumRegs = OutputDimensions / OutputSimdWidth;
 506
 507         const auto input32 = reinterpret_cast<const std::int32_t*>(input);
 508         const vec_t* biasvec = reinterpret_cast<const vec_t*>(biases);
 509         vec_t acc[NumRegs];
 510         for (IndexType k = 0; k < NumRegs; ++k)
 511           acc[k] = biasvec[k];
 512
 513         for (IndexType i = 0; i < NumChunks; i += 2)
 514         {
 515           const vec_t in0 = vec_set_32(input32[i + 0]);
 516           const vec_t in1 = vec_set_32(input32[i + 1]);
 517           const auto col0 = reinterpret_cast<const vec_t*>(&weights[(i + 0) * OutputDimensions * 4]);
 518           const auto col1 = reinterpret_cast<const vec_t*>(&weights[(i + 1) * OutputDimensions * 4]);
 519           for (IndexType k = 0; k < NumRegs; ++k)
 520             vec_add_dpbusd_32x2(acc[k], in0, col0[k], in1, col1[k]);
 521         }
 522
 523         vec_t* outptr = reinterpret_cast<vec_t*>(output);
 524         for (IndexType k = 0; k < NumRegs; ++k)
 525           outptr[k] = acc[k];
 526       }
 527       else if constexpr (OutputDimensions == 1)
 528       {
 529         constexpr IndexType NumChunks = PaddedInputDimensions / SimdWidth;
 530         vec_t sum0 = vec_setzero();
 531         const auto row0 = reinterpret_cast<const vec_t*>(&weights[0]);
 532
 533         for (int j = 0; j < (int)NumChunks; ++j)
 534         {
 535           const vec_t in = inputVector[j];
 536           vec_add_dpbusd_32(sum0, in, row0[j]);
 537         }
 538         output[0] = vec_hadd(sum0, biases[0]);
 539       }
 540
 541 # undef vec_setzero
 542 # undef vec_set_32
 543 # undef vec_add_dpbusd_32
 544 # undef vec_add_dpbusd_32x2
 545 # undef vec_add_dpbusd_32x4
 546 # undef vec_hadd
 547 # undef vec_haddx4
 548 #else
 549       // Use old implementation for the other architectures.
 550       affine_transform_non_ssse3<
 551         InputDimensions,
 552         PaddedInputDimensions,
 553         OutputDimensions>(output, weights, biases, input);
 554 #endif
 555
 556       return output;
 557     }
 558
 559    private:
 560     using BiasType = OutputType;
 561     using WeightType = std::int8_t;
 562
 563     alignas(CacheLineSize) BiasType biases[OutputDimensions];
 564     alignas(CacheLineSize) WeightType weights[OutputDimensions * PaddedInputDimensions];
 565   };
 566
 567 }  // namespace Stockfish::Eval::NNUE::Layers
 568
 569 #endif // #ifndef NNUE_LAYERS_AFFINE_TRANSFORM_H_INCLUDED