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