git.sesse.net Git - stockfish/blob - src/nnue/layers/clipped_relu.h

   1 /*
   2   Stockfish, a UCI chess playing engine derived from Glaurung 2.1
   3   Copyright (C) 2004-2021 The Stockfish developers (see AUTHORS file)
   4
   5   Stockfish is free software: you can redistribute it and/or modify
   6   it under the terms of the GNU General Public License as published by
   7   the Free Software Foundation, either version 3 of the License, or
   8   (at your option) any later version.
   9
  10   Stockfish is distributed in the hope that it will be useful,
  11   but WITHOUT ANY WARRANTY; without even the implied warranty of
  12   MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  13   GNU General Public License for more details.
  14
  15   You should have received a copy of the GNU General Public License
  16   along with this program.  If not, see <http://www.gnu.org/licenses/>.
  17 */
  18
  19 // Definition of layer ClippedReLU of NNUE evaluation function
  20
  21 #ifndef NNUE_LAYERS_CLIPPED_RELU_H_INCLUDED
  22 #define NNUE_LAYERS_CLIPPED_RELU_H_INCLUDED
  23
  24 #include "../nnue_common.h"
  25
  26 namespace Stockfish::Eval::NNUE::Layers {
  27
  28   // Clipped ReLU
  29   template <typename PreviousLayer>
  30   class ClippedReLU {
  31    public:
  32     // Input/output type
  33     using InputType = typename PreviousLayer::OutputType;
  34     using OutputType = std::uint8_t;
  35     static_assert(std::is_same<InputType, std::int32_t>::value, "");
  36
  37     // Number of input/output dimensions
  38     static constexpr IndexType InputDimensions =
  39         PreviousLayer::OutputDimensions;
  40     static constexpr IndexType OutputDimensions = InputDimensions;
  41
  42     // Size of forward propagation buffer used in this layer
  43     static constexpr std::size_t SelfBufferSize =
  44         ceil_to_multiple(OutputDimensions * sizeof(OutputType), CacheLineSize);
  45
  46     // Size of the forward propagation buffer used from the input layer to this layer
  47     static constexpr std::size_t BufferSize =
  48         PreviousLayer::BufferSize + SelfBufferSize;
  49
  50     // Hash value embedded in the evaluation file
  51     static constexpr std::uint32_t get_hash_value() {
  52       std::uint32_t hashValue = 0x538D24C7u;
  53       hashValue += PreviousLayer::get_hash_value();
  54       return hashValue;
  55     }
  56
  57     // Read network parameters
  58     bool read_parameters(std::istream& stream) {
  59       return previousLayer.read_parameters(stream);
  60     }
  61
  62     // Write network parameters
  63     bool write_parameters(std::ostream& stream) const {
  64       return previousLayer.write_parameters(stream);
  65     }
  66
  67     // Forward propagation
  68     const OutputType* propagate(
  69         const TransformedFeatureType* transformedFeatures, char* buffer) const {
  70       const auto input = previousLayer.propagate(
  71           transformedFeatures, buffer + SelfBufferSize);
  72       const auto output = reinterpret_cast<OutputType*>(buffer);
  73
  74   #if defined(USE_AVX2)
  75       constexpr IndexType NumChunks = InputDimensions / SimdWidth;
  76       const __m256i Zero = _mm256_setzero_si256();
  77       const __m256i Offsets = _mm256_set_epi32(7, 3, 6, 2, 5, 1, 4, 0);
  78       const auto in = reinterpret_cast<const __m256i*>(input);
  79       const auto out = reinterpret_cast<__m256i*>(output);
  80       for (IndexType i = 0; i < NumChunks; ++i) {
  81         const __m256i words0 = _mm256_srai_epi16(_mm256_packs_epi32(
  82             _mm256_load_si256(&in[i * 4 + 0]),
  83             _mm256_load_si256(&in[i * 4 + 1])), WeightScaleBits);
  84         const __m256i words1 = _mm256_srai_epi16(_mm256_packs_epi32(
  85             _mm256_load_si256(&in[i * 4 + 2]),
  86             _mm256_load_si256(&in[i * 4 + 3])), WeightScaleBits);
  87         _mm256_store_si256(&out[i], _mm256_permutevar8x32_epi32(_mm256_max_epi8(
  88             _mm256_packs_epi16(words0, words1), Zero), Offsets));
  89       }
  90       constexpr IndexType Start = NumChunks * SimdWidth;
  91
  92   #elif defined(USE_SSE2)
  93       constexpr IndexType NumChunks = InputDimensions / SimdWidth;
  94
  95   #ifdef USE_SSE41
  96       const __m128i Zero = _mm_setzero_si128();
  97   #else
  98       const __m128i k0x80s = _mm_set1_epi8(-128);
  99   #endif
 100
 101       const auto in = reinterpret_cast<const __m128i*>(input);
 102       const auto out = reinterpret_cast<__m128i*>(output);
 103       for (IndexType i = 0; i < NumChunks; ++i) {
 104         const __m128i words0 = _mm_srai_epi16(_mm_packs_epi32(
 105             _mm_load_si128(&in[i * 4 + 0]),
 106             _mm_load_si128(&in[i * 4 + 1])), WeightScaleBits);
 107         const __m128i words1 = _mm_srai_epi16(_mm_packs_epi32(
 108             _mm_load_si128(&in[i * 4 + 2]),
 109             _mm_load_si128(&in[i * 4 + 3])), WeightScaleBits);
 110         const __m128i packedbytes = _mm_packs_epi16(words0, words1);
 111         _mm_store_si128(&out[i],
 112
 113   #ifdef USE_SSE41
 114           _mm_max_epi8(packedbytes, Zero)
 115   #else
 116           _mm_subs_epi8(_mm_adds_epi8(packedbytes, k0x80s), k0x80s)
 117   #endif
 118
 119         );
 120       }
 121       constexpr IndexType Start = NumChunks * SimdWidth;
 122
 123   #elif defined(USE_MMX)
 124       constexpr IndexType NumChunks = InputDimensions / SimdWidth;
 125       const __m64 k0x80s = _mm_set1_pi8(-128);
 126       const auto in = reinterpret_cast<const __m64*>(input);
 127       const auto out = reinterpret_cast<__m64*>(output);
 128       for (IndexType i = 0; i < NumChunks; ++i) {
 129         const __m64 words0 = _mm_srai_pi16(
 130             _mm_packs_pi32(in[i * 4 + 0], in[i * 4 + 1]),
 131             WeightScaleBits);
 132         const __m64 words1 = _mm_srai_pi16(
 133             _mm_packs_pi32(in[i * 4 + 2], in[i * 4 + 3]),
 134             WeightScaleBits);
 135         const __m64 packedbytes = _mm_packs_pi16(words0, words1);
 136         out[i] = _mm_subs_pi8(_mm_adds_pi8(packedbytes, k0x80s), k0x80s);
 137       }
 138       _mm_empty();
 139       constexpr IndexType Start = NumChunks * SimdWidth;
 140
 141   #elif defined(USE_NEON)
 142       constexpr IndexType NumChunks = InputDimensions / (SimdWidth / 2);
 143       const int8x8_t Zero = {0};
 144       const auto in = reinterpret_cast<const int32x4_t*>(input);
 145       const auto out = reinterpret_cast<int8x8_t*>(output);
 146       for (IndexType i = 0; i < NumChunks; ++i) {
 147         int16x8_t shifted;
 148         const auto pack = reinterpret_cast<int16x4_t*>(&shifted);
 149         pack[0] = vqshrn_n_s32(in[i * 2 + 0], WeightScaleBits);
 150         pack[1] = vqshrn_n_s32(in[i * 2 + 1], WeightScaleBits);
 151         out[i] = vmax_s8(vqmovn_s16(shifted), Zero);
 152       }
 153       constexpr IndexType Start = NumChunks * (SimdWidth / 2);
 154   #else
 155       constexpr IndexType Start = 0;
 156   #endif
 157
 158       for (IndexType i = Start; i < InputDimensions; ++i) {
 159         output[i] = static_cast<OutputType>(
 160             std::max(0, std::min(127, input[i] >> WeightScaleBits)));
 161       }
 162       return output;
 163     }
 164
 165    private:
 166     PreviousLayer previousLayer;
 167   };
 168
 169 }  // namespace Stockfish::Eval::NNUE::Layers
 170
 171 #endif // NNUE_LAYERS_CLIPPED_RELU_H_INCLUDED