git.sesse.net Git - stockfish/blob - src/nnue/nnue_feature_transformer.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 // A class that converts the input features of the NNUE evaluation function
  20
  21 #ifndef NNUE_FEATURE_TRANSFORMER_H_INCLUDED
  22 #define NNUE_FEATURE_TRANSFORMER_H_INCLUDED
  23
  24 #include "nnue_common.h"
  25 #include "nnue_architecture.h"
  26
  27 #include <cstring> // std::memset()
  28
  29 namespace Stockfish::Eval::NNUE {
  30
  31   using BiasType       = std::int16_t;
  32   using WeightType     = std::int16_t;
  33   using PSQTWeightType = std::int32_t;
  34
  35   // If vector instructions are enabled, we update and refresh the
  36   // accumulator tile by tile such that each tile fits in the CPU's
  37   // vector registers.
  38   #define VECTOR
  39
  40   static_assert(PSQTBuckets % 8 == 0,
  41     "Per feature PSQT values cannot be processed at granularity lower than 8 at a time.");
  42
  43   #ifdef USE_AVX512
  44   typedef __m512i vec_t;
  45   typedef __m256i psqt_vec_t;
  46   #define vec_load(a) _mm512_load_si512(a)
  47   #define vec_store(a,b) _mm512_store_si512(a,b)
  48   #define vec_add_16(a,b) _mm512_add_epi16(a,b)
  49   #define vec_sub_16(a,b) _mm512_sub_epi16(a,b)
  50   #define vec_load_psqt(a) _mm256_load_si256(a)
  51   #define vec_store_psqt(a,b) _mm256_store_si256(a,b)
  52   #define vec_add_psqt_32(a,b) _mm256_add_epi32(a,b)
  53   #define vec_sub_psqt_32(a,b) _mm256_sub_epi32(a,b)
  54   #define vec_zero_psqt() _mm256_setzero_si256()
  55   #define NumRegistersSIMD 32
  56
  57   #elif USE_AVX2
  58   typedef __m256i vec_t;
  59   typedef __m256i psqt_vec_t;
  60   #define vec_load(a) _mm256_load_si256(a)
  61   #define vec_store(a,b) _mm256_store_si256(a,b)
  62   #define vec_add_16(a,b) _mm256_add_epi16(a,b)
  63   #define vec_sub_16(a,b) _mm256_sub_epi16(a,b)
  64   #define vec_load_psqt(a) _mm256_load_si256(a)
  65   #define vec_store_psqt(a,b) _mm256_store_si256(a,b)
  66   #define vec_add_psqt_32(a,b) _mm256_add_epi32(a,b)
  67   #define vec_sub_psqt_32(a,b) _mm256_sub_epi32(a,b)
  68   #define vec_zero_psqt() _mm256_setzero_si256()
  69   #define NumRegistersSIMD 16
  70
  71   #elif USE_SSE2
  72   typedef __m128i vec_t;
  73   typedef __m128i psqt_vec_t;
  74   #define vec_load(a) (*(a))
  75   #define vec_store(a,b) *(a)=(b)
  76   #define vec_add_16(a,b) _mm_add_epi16(a,b)
  77   #define vec_sub_16(a,b) _mm_sub_epi16(a,b)
  78   #define vec_load_psqt(a) (*(a))
  79   #define vec_store_psqt(a,b) *(a)=(b)
  80   #define vec_add_psqt_32(a,b) _mm_add_epi32(a,b)
  81   #define vec_sub_psqt_32(a,b) _mm_sub_epi32(a,b)
  82   #define vec_zero_psqt() _mm_setzero_si128()
  83   #define NumRegistersSIMD (Is64Bit ? 16 : 8)
  84
  85   #elif USE_MMX
  86   typedef __m64 vec_t;
  87   typedef __m64 psqt_vec_t;
  88   #define vec_load(a) (*(a))
  89   #define vec_store(a,b) *(a)=(b)
  90   #define vec_add_16(a,b) _mm_add_pi16(a,b)
  91   #define vec_sub_16(a,b) _mm_sub_pi16(a,b)
  92   #define vec_load_psqt(a) (*(a))
  93   #define vec_store_psqt(a,b) *(a)=(b)
  94   #define vec_add_psqt_32(a,b) _mm_add_pi32(a,b)
  95   #define vec_sub_psqt_32(a,b) _mm_sub_pi32(a,b)
  96   #define vec_zero_psqt() _mm_setzero_si64()
  97   #define NumRegistersSIMD 8
  98
  99   #elif USE_NEON
 100   typedef int16x8_t vec_t;
 101   typedef int32x4_t psqt_vec_t;
 102   #define vec_load(a) (*(a))
 103   #define vec_store(a,b) *(a)=(b)
 104   #define vec_add_16(a,b) vaddq_s16(a,b)
 105   #define vec_sub_16(a,b) vsubq_s16(a,b)
 106   #define vec_load_psqt(a) (*(a))
 107   #define vec_store_psqt(a,b) *(a)=(b)
 108   #define vec_add_psqt_32(a,b) vaddq_s32(a,b)
 109   #define vec_sub_psqt_32(a,b) vsubq_s32(a,b)
 110   #define vec_zero_psqt() psqt_vec_t{0}
 111   #define NumRegistersSIMD 16
 112
 113   #else
 114   #undef VECTOR
 115
 116   #endif
 117
 118
 119   #ifdef VECTOR
 120
 121       // Compute optimal SIMD register count for feature transformer accumulation.
 122
 123       // We use __m* types as template arguments, which causes GCC to emit warnings
 124       // about losing some attribute information. This is irrelevant to us as we
 125       // only take their size, so the following pragma are harmless.
 126       #if defined(__GNUC__)
 127       #pragma GCC diagnostic push
 128       #pragma GCC diagnostic ignored "-Wignored-attributes"
 129       #endif
 130
 131       template <typename SIMDRegisterType,
 132                 typename LaneType,
 133                 int      NumLanes,
 134                 int      MaxRegisters>
 135       static constexpr int BestRegisterCount()
 136       {
 137           #define RegisterSize  sizeof(SIMDRegisterType)
 138           #define LaneSize      sizeof(LaneType)
 139
 140           static_assert(RegisterSize >= LaneSize);
 141           static_assert(MaxRegisters <= NumRegistersSIMD);
 142           static_assert(MaxRegisters > 0);
 143           static_assert(NumRegistersSIMD > 0);
 144           static_assert(RegisterSize % LaneSize == 0);
 145           static_assert((NumLanes * LaneSize) % RegisterSize == 0);
 146
 147           const int ideal = (NumLanes * LaneSize) / RegisterSize;
 148           if (ideal <= MaxRegisters)
 149             return ideal;
 150
 151           // Look for the largest divisor of the ideal register count that is smaller than MaxRegisters
 152           for (int divisor = MaxRegisters; divisor > 1; --divisor)
 153             if (ideal % divisor == 0)
 154               return divisor;
 155
 156           return 1;
 157       }
 158
 159       static constexpr int NumRegs     = BestRegisterCount<vec_t, WeightType, TransformedFeatureDimensions, NumRegistersSIMD>();
 160       static constexpr int NumPsqtRegs = BestRegisterCount<psqt_vec_t, PSQTWeightType, PSQTBuckets, NumRegistersSIMD>();
 161       #if defined(__GNUC__)
 162       #pragma GCC diagnostic pop
 163       #endif
 164   #endif
 165
 166
 167
 168   // Input feature converter
 169   class FeatureTransformer {
 170
 171    private:
 172     // Number of output dimensions for one side
 173     static constexpr IndexType HalfDimensions = TransformedFeatureDimensions;
 174
 175     #ifdef VECTOR
 176     static constexpr IndexType TileHeight = NumRegs * sizeof(vec_t) / 2;
 177     static constexpr IndexType PsqtTileHeight = NumPsqtRegs * sizeof(psqt_vec_t) / 4;
 178     static_assert(HalfDimensions % TileHeight == 0, "TileHeight must divide HalfDimensions");
 179     static_assert(PSQTBuckets % PsqtTileHeight == 0, "PsqtTileHeight must divide PSQTBuckets");
 180     #endif
 181
 182    public:
 183     // Output type
 184     using OutputType = TransformedFeatureType;
 185
 186     // Number of input/output dimensions
 187     static constexpr IndexType InputDimensions = FeatureSet::Dimensions;
 188     static constexpr IndexType OutputDimensions = HalfDimensions;
 189
 190     // Size of forward propagation buffer
 191     static constexpr std::size_t BufferSize =
 192         OutputDimensions * sizeof(OutputType);
 193
 194     // Hash value embedded in the evaluation file
 195     static constexpr std::uint32_t get_hash_value() {
 196       return FeatureSet::HashValue ^ (OutputDimensions * 2);
 197     }
 198
 199     // Read network parameters
 200     bool read_parameters(std::istream& stream) {
 201
 202       read_little_endian<BiasType      >(stream, biases     , HalfDimensions                  );
 203       read_little_endian<WeightType    >(stream, weights    , HalfDimensions * InputDimensions);
 204       read_little_endian<PSQTWeightType>(stream, psqtWeights, PSQTBuckets    * InputDimensions);
 205
 206       return !stream.fail();
 207     }
 208
 209     // Write network parameters
 210     bool write_parameters(std::ostream& stream) const {
 211
 212       write_little_endian<BiasType      >(stream, biases     , HalfDimensions                  );
 213       write_little_endian<WeightType    >(stream, weights    , HalfDimensions * InputDimensions);
 214       write_little_endian<PSQTWeightType>(stream, psqtWeights, PSQTBuckets    * InputDimensions);
 215
 216       return !stream.fail();
 217     }
 218
 219     // Convert input features
 220     std::int32_t transform(const Position& pos, OutputType* output, int bucket) const {
 221       update_accumulator(pos, WHITE);
 222       update_accumulator(pos, BLACK);
 223
 224       const Color perspectives[2] = {pos.side_to_move(), ~pos.side_to_move()};
 225       const auto& accumulation = pos.state()->accumulator.accumulation;
 226       const auto& psqtAccumulation = pos.state()->accumulator.psqtAccumulation;
 227
 228       const auto psqt = (
 229             psqtAccumulation[perspectives[0]][bucket]
 230           - psqtAccumulation[perspectives[1]][bucket]
 231         ) / 2;
 232
 233
 234       for (IndexType p = 0; p < 2; ++p)
 235       {
 236           const IndexType offset = (HalfDimensions / 2) * p;
 237
 238 #if defined(USE_AVX512)
 239
 240           constexpr IndexType OutputChunkSize = 512 / 8;
 241           static_assert((HalfDimensions / 2) % OutputChunkSize == 0);
 242           constexpr IndexType NumOutputChunks = HalfDimensions / 2 / OutputChunkSize;
 243
 244           const __m512i Zero = _mm512_setzero_si512();
 245           const __m512i One = _mm512_set1_epi16(127);
 246           const __m512i Control = _mm512_setr_epi64(0, 2, 4, 6, 1, 3, 5, 7);
 247
 248           const __m512i* in0 = reinterpret_cast<const __m512i*>(&(accumulation[perspectives[p]][0]));
 249           const __m512i* in1 = reinterpret_cast<const __m512i*>(&(accumulation[perspectives[p]][HalfDimensions / 2]));
 250                 __m512i* out = reinterpret_cast<      __m512i*>(output + offset);
 251
 252           for (IndexType j = 0; j < NumOutputChunks; j += 1)
 253           {
 254               const __m512i sum0a = _mm512_max_epi16(_mm512_min_epi16(in0[j * 2 + 0], One), Zero);
 255               const __m512i sum0b = _mm512_max_epi16(_mm512_min_epi16(in0[j * 2 + 1], One), Zero);
 256               const __m512i sum1a = _mm512_max_epi16(_mm512_min_epi16(in1[j * 2 + 0], One), Zero);
 257               const __m512i sum1b = _mm512_max_epi16(_mm512_min_epi16(in1[j * 2 + 1], One), Zero);
 258
 259               const __m512i pa = _mm512_srli_epi16(_mm512_mullo_epi16(sum0a, sum1a), 7);
 260               const __m512i pb = _mm512_srli_epi16(_mm512_mullo_epi16(sum0b, sum1b), 7);
 261
 262               out[j] = _mm512_permutexvar_epi64(Control, _mm512_packs_epi16(pa, pb));
 263           }
 264
 265 #elif defined(USE_AVX2)
 266
 267           constexpr IndexType OutputChunkSize = 256 / 8;
 268           static_assert((HalfDimensions / 2) % OutputChunkSize == 0);
 269           constexpr IndexType NumOutputChunks = HalfDimensions / 2 / OutputChunkSize;
 270
 271           const __m256i Zero = _mm256_setzero_si256();
 272           const __m256i One = _mm256_set1_epi16(127);
 273           constexpr int Control = 0b11011000;
 274
 275           const __m256i* in0 = reinterpret_cast<const __m256i*>(&(accumulation[perspectives[p]][0]));
 276           const __m256i* in1 = reinterpret_cast<const __m256i*>(&(accumulation[perspectives[p]][HalfDimensions / 2]));
 277                 __m256i* out = reinterpret_cast<      __m256i*>(output + offset);
 278
 279           for (IndexType j = 0; j < NumOutputChunks; j += 1)
 280           {
 281               const __m256i sum0a = _mm256_max_epi16(_mm256_min_epi16(in0[j * 2 + 0], One), Zero);
 282               const __m256i sum0b = _mm256_max_epi16(_mm256_min_epi16(in0[j * 2 + 1], One), Zero);
 283               const __m256i sum1a = _mm256_max_epi16(_mm256_min_epi16(in1[j * 2 + 0], One), Zero);
 284               const __m256i sum1b = _mm256_max_epi16(_mm256_min_epi16(in1[j * 2 + 1], One), Zero);
 285
 286               const __m256i pa = _mm256_srli_epi16(_mm256_mullo_epi16(sum0a, sum1a), 7);
 287               const __m256i pb = _mm256_srli_epi16(_mm256_mullo_epi16(sum0b, sum1b), 7);
 288
 289               out[j] = _mm256_permute4x64_epi64(_mm256_packs_epi16(pa, pb), Control);
 290           }
 291
 292 #elif defined(USE_SSE2)
 293
 294           constexpr IndexType OutputChunkSize = 128 / 8;
 295           static_assert((HalfDimensions / 2) % OutputChunkSize == 0);
 296           constexpr IndexType NumOutputChunks = HalfDimensions / 2 / OutputChunkSize;
 297
 298           const __m128i Zero = _mm_setzero_si128();
 299           const __m128i One = _mm_set1_epi16(127);
 300
 301           const __m128i* in0 = reinterpret_cast<const __m128i*>(&(accumulation[perspectives[p]][0]));
 302           const __m128i* in1 = reinterpret_cast<const __m128i*>(&(accumulation[perspectives[p]][HalfDimensions / 2]));
 303                 __m128i* out = reinterpret_cast<      __m128i*>(output + offset);
 304
 305           for (IndexType j = 0; j < NumOutputChunks; j += 1)
 306           {
 307               const __m128i sum0a = _mm_max_epi16(_mm_min_epi16(in0[j * 2 + 0], One), Zero);
 308               const __m128i sum0b = _mm_max_epi16(_mm_min_epi16(in0[j * 2 + 1], One), Zero);
 309               const __m128i sum1a = _mm_max_epi16(_mm_min_epi16(in1[j * 2 + 0], One), Zero);
 310               const __m128i sum1b = _mm_max_epi16(_mm_min_epi16(in1[j * 2 + 1], One), Zero);
 311
 312               const __m128i pa = _mm_srli_epi16(_mm_mullo_epi16(sum0a, sum1a), 7);
 313               const __m128i pb = _mm_srli_epi16(_mm_mullo_epi16(sum0b, sum1b), 7);
 314
 315               out[j] = _mm_packs_epi16(pa, pb);
 316           }
 317
 318 #elif defined(USE_NEON)
 319
 320           constexpr IndexType OutputChunkSize = 128 / 8;
 321           static_assert((HalfDimensions / 2) % OutputChunkSize == 0);
 322           constexpr IndexType NumOutputChunks = HalfDimensions / 2 / OutputChunkSize;
 323
 324           const int16x8_t Zero = vdupq_n_s16(0);
 325           const int16x8_t One  = vdupq_n_s16(127);
 326
 327           const int16x8_t* in0 = reinterpret_cast<const int16x8_t*>(&(accumulation[perspectives[p]][0]));
 328           const int16x8_t* in1 = reinterpret_cast<const int16x8_t*>(&(accumulation[perspectives[p]][HalfDimensions / 2]));
 329                 int8x16_t* out = reinterpret_cast<      int8x16_t*>(output + offset);
 330
 331           for (IndexType j = 0; j < NumOutputChunks; j += 1)
 332           {
 333               const int16x8_t sum0a = vmaxq_s16(vminq_s16(in0[j * 2 + 0], One), Zero);
 334               const int16x8_t sum0b = vmaxq_s16(vminq_s16(in0[j * 2 + 1], One), Zero);
 335               const int16x8_t sum1a = vmaxq_s16(vminq_s16(in1[j * 2 + 0], One), Zero);
 336               const int16x8_t sum1b = vmaxq_s16(vminq_s16(in1[j * 2 + 1], One), Zero);
 337
 338               const int8x8_t pa = vshrn_n_s16(vmulq_s16(sum0a, sum1a), 7);
 339               const int8x8_t pb = vshrn_n_s16(vmulq_s16(sum0b, sum1b), 7);
 340
 341               out[j] = vcombine_s8(pa, pb);
 342           }
 343
 344 #else
 345
 346           for (IndexType j = 0; j < HalfDimensions / 2; ++j) {
 347               BiasType sum0 = accumulation[static_cast<int>(perspectives[p])][j + 0];
 348               BiasType sum1 = accumulation[static_cast<int>(perspectives[p])][j + HalfDimensions / 2];
 349               sum0 = std::max<int>(0, std::min<int>(127, sum0));
 350               sum1 = std::max<int>(0, std::min<int>(127, sum1));
 351               output[offset + j] = static_cast<OutputType>(sum0 * sum1 / 128);
 352           }
 353
 354 #endif
 355       }
 356
 357       return psqt;
 358
 359    } // end of function transform()
 360
 361
 362
 363    private:
 364     void update_accumulator(const Position& pos, const Color perspective) const {
 365
 366       // The size must be enough to contain the largest possible update.
 367       // That might depend on the feature set and generally relies on the
 368       // feature set's update cost calculation to be correct and never
 369       // allow updates with more added/removed features than MaxActiveDimensions.
 370
 371   #ifdef VECTOR
 372       // Gcc-10.2 unnecessarily spills AVX2 registers if this array
 373       // is defined in the VECTOR code below, once in each branch
 374       vec_t acc[NumRegs];
 375       psqt_vec_t psqt[NumPsqtRegs];
 376   #endif
 377
 378       // Look for a usable accumulator of an earlier position. We keep track
 379       // of the estimated gain in terms of features to be added/subtracted.
 380       StateInfo *st = pos.state(), *next = nullptr;
 381       int gain = FeatureSet::refresh_cost(pos);
 382       while (st->previous && !st->accumulator.computed[perspective])
 383       {
 384         // This governs when a full feature refresh is needed and how many
 385         // updates are better than just one full refresh.
 386         if (   FeatureSet::requires_refresh(st, perspective)
 387             || (gain -= FeatureSet::update_cost(st) + 1) < 0)
 388           break;
 389         next = st;
 390         st = st->previous;
 391       }
 392
 393       if (st->accumulator.computed[perspective])
 394       {
 395         if (next == nullptr)
 396           return;
 397
 398         // Update incrementally in two steps. First, we update the "next"
 399         // accumulator. Then, we update the current accumulator (pos.state()).
 400
 401         // Gather all features to be updated.
 402         const Square ksq = pos.square<KING>(perspective);
 403         FeatureSet::IndexList removed[2], added[2];
 404         FeatureSet::append_changed_indices(
 405           ksq, next->dirtyPiece, perspective, removed[0], added[0]);
 406         for (StateInfo *st2 = pos.state(); st2 != next; st2 = st2->previous)
 407           FeatureSet::append_changed_indices(
 408             ksq, st2->dirtyPiece, perspective, removed[1], added[1]);
 409
 410         // Mark the accumulators as computed.
 411         next->accumulator.computed[perspective] = true;
 412         pos.state()->accumulator.computed[perspective] = true;
 413
 414         // Now update the accumulators listed in states_to_update[], where the last element is a sentinel.
 415         StateInfo *states_to_update[3] =
 416           { next, next == pos.state() ? nullptr : pos.state(), nullptr };
 417   #ifdef VECTOR
 418         for (IndexType j = 0; j < HalfDimensions / TileHeight; ++j)
 419         {
 420           // Load accumulator
 421           auto accTile = reinterpret_cast<vec_t*>(
 422             &st->accumulator.accumulation[perspective][j * TileHeight]);
 423           for (IndexType k = 0; k < NumRegs; ++k)
 424             acc[k] = vec_load(&accTile[k]);
 425
 426           for (IndexType i = 0; states_to_update[i]; ++i)
 427           {
 428             // Difference calculation for the deactivated features
 429             for (const auto index : removed[i])
 430             {
 431               const IndexType offset = HalfDimensions * index + j * TileHeight;
 432               auto column = reinterpret_cast<const vec_t*>(&weights[offset]);
 433               for (IndexType k = 0; k < NumRegs; ++k)
 434                 acc[k] = vec_sub_16(acc[k], column[k]);
 435             }
 436
 437             // Difference calculation for the activated features
 438             for (const auto index : added[i])
 439             {
 440               const IndexType offset = HalfDimensions * index + j * TileHeight;
 441               auto column = reinterpret_cast<const vec_t*>(&weights[offset]);
 442               for (IndexType k = 0; k < NumRegs; ++k)
 443                 acc[k] = vec_add_16(acc[k], column[k]);
 444             }
 445
 446             // Store accumulator
 447             accTile = reinterpret_cast<vec_t*>(
 448               &states_to_update[i]->accumulator.accumulation[perspective][j * TileHeight]);
 449             for (IndexType k = 0; k < NumRegs; ++k)
 450               vec_store(&accTile[k], acc[k]);
 451           }
 452         }
 453
 454         for (IndexType j = 0; j < PSQTBuckets / PsqtTileHeight; ++j)
 455         {
 456           // Load accumulator
 457           auto accTilePsqt = reinterpret_cast<psqt_vec_t*>(
 458             &st->accumulator.psqtAccumulation[perspective][j * PsqtTileHeight]);
 459           for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 460             psqt[k] = vec_load_psqt(&accTilePsqt[k]);
 461
 462           for (IndexType i = 0; states_to_update[i]; ++i)
 463           {
 464             // Difference calculation for the deactivated features
 465             for (const auto index : removed[i])
 466             {
 467               const IndexType offset = PSQTBuckets * index + j * PsqtTileHeight;
 468               auto columnPsqt = reinterpret_cast<const psqt_vec_t*>(&psqtWeights[offset]);
 469               for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 470                 psqt[k] = vec_sub_psqt_32(psqt[k], columnPsqt[k]);
 471             }
 472
 473             // Difference calculation for the activated features
 474             for (const auto index : added[i])
 475             {
 476               const IndexType offset = PSQTBuckets * index + j * PsqtTileHeight;
 477               auto columnPsqt = reinterpret_cast<const psqt_vec_t*>(&psqtWeights[offset]);
 478               for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 479                 psqt[k] = vec_add_psqt_32(psqt[k], columnPsqt[k]);
 480             }
 481
 482             // Store accumulator
 483             accTilePsqt = reinterpret_cast<psqt_vec_t*>(
 484               &states_to_update[i]->accumulator.psqtAccumulation[perspective][j * PsqtTileHeight]);
 485             for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 486               vec_store_psqt(&accTilePsqt[k], psqt[k]);
 487           }
 488         }
 489
 490   #else
 491         for (IndexType i = 0; states_to_update[i]; ++i)
 492         {
 493           std::memcpy(states_to_update[i]->accumulator.accumulation[perspective],
 494               st->accumulator.accumulation[perspective],
 495               HalfDimensions * sizeof(BiasType));
 496
 497           for (std::size_t k = 0; k < PSQTBuckets; ++k)
 498             states_to_update[i]->accumulator.psqtAccumulation[perspective][k] = st->accumulator.psqtAccumulation[perspective][k];
 499
 500           st = states_to_update[i];
 501
 502           // Difference calculation for the deactivated features
 503           for (const auto index : removed[i])
 504           {
 505             const IndexType offset = HalfDimensions * index;
 506
 507             for (IndexType j = 0; j < HalfDimensions; ++j)
 508               st->accumulator.accumulation[perspective][j] -= weights[offset + j];
 509
 510             for (std::size_t k = 0; k < PSQTBuckets; ++k)
 511               st->accumulator.psqtAccumulation[perspective][k] -= psqtWeights[index * PSQTBuckets + k];
 512           }
 513
 514           // Difference calculation for the activated features
 515           for (const auto index : added[i])
 516           {
 517             const IndexType offset = HalfDimensions * index;
 518
 519             for (IndexType j = 0; j < HalfDimensions; ++j)
 520               st->accumulator.accumulation[perspective][j] += weights[offset + j];
 521
 522             for (std::size_t k = 0; k < PSQTBuckets; ++k)
 523               st->accumulator.psqtAccumulation[perspective][k] += psqtWeights[index * PSQTBuckets + k];
 524           }
 525         }
 526   #endif
 527       }
 528       else
 529       {
 530         // Refresh the accumulator
 531         auto& accumulator = pos.state()->accumulator;
 532         accumulator.computed[perspective] = true;
 533         FeatureSet::IndexList active;
 534         FeatureSet::append_active_indices(pos, perspective, active);
 535
 536   #ifdef VECTOR
 537         for (IndexType j = 0; j < HalfDimensions / TileHeight; ++j)
 538         {
 539           auto biasesTile = reinterpret_cast<const vec_t*>(
 540               &biases[j * TileHeight]);
 541           for (IndexType k = 0; k < NumRegs; ++k)
 542             acc[k] = biasesTile[k];
 543
 544           for (const auto index : active)
 545           {
 546             const IndexType offset = HalfDimensions * index + j * TileHeight;
 547             auto column = reinterpret_cast<const vec_t*>(&weights[offset]);
 548
 549             for (unsigned k = 0; k < NumRegs; ++k)
 550               acc[k] = vec_add_16(acc[k], column[k]);
 551           }
 552
 553           auto accTile = reinterpret_cast<vec_t*>(
 554               &accumulator.accumulation[perspective][j * TileHeight]);
 555           for (unsigned k = 0; k < NumRegs; k++)
 556             vec_store(&accTile[k], acc[k]);
 557         }
 558
 559         for (IndexType j = 0; j < PSQTBuckets / PsqtTileHeight; ++j)
 560         {
 561           for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 562             psqt[k] = vec_zero_psqt();
 563
 564           for (const auto index : active)
 565           {
 566             const IndexType offset = PSQTBuckets * index + j * PsqtTileHeight;
 567             auto columnPsqt = reinterpret_cast<const psqt_vec_t*>(&psqtWeights[offset]);
 568
 569             for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 570               psqt[k] = vec_add_psqt_32(psqt[k], columnPsqt[k]);
 571           }
 572
 573           auto accTilePsqt = reinterpret_cast<psqt_vec_t*>(
 574             &accumulator.psqtAccumulation[perspective][j * PsqtTileHeight]);
 575           for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 576             vec_store_psqt(&accTilePsqt[k], psqt[k]);
 577         }
 578
 579   #else
 580         std::memcpy(accumulator.accumulation[perspective], biases,
 581             HalfDimensions * sizeof(BiasType));
 582
 583         for (std::size_t k = 0; k < PSQTBuckets; ++k)
 584           accumulator.psqtAccumulation[perspective][k] = 0;
 585
 586         for (const auto index : active)
 587         {
 588           const IndexType offset = HalfDimensions * index;
 589
 590           for (IndexType j = 0; j < HalfDimensions; ++j)
 591             accumulator.accumulation[perspective][j] += weights[offset + j];
 592
 593           for (std::size_t k = 0; k < PSQTBuckets; ++k)
 594             accumulator.psqtAccumulation[perspective][k] += psqtWeights[index * PSQTBuckets + k];
 595         }
 596   #endif
 597       }
 598
 599   #if defined(USE_MMX)
 600       _mm_empty();
 601   #endif
 602     }
 603
 604     alignas(CacheLineSize) BiasType biases[HalfDimensions];
 605     alignas(CacheLineSize) WeightType weights[HalfDimensions * InputDimensions];
 606     alignas(CacheLineSize) PSQTWeightType psqtWeights[InputDimensions * PSQTBuckets];
 607   };
 608
 609 }  // namespace Stockfish::Eval::NNUE
 610
 611 #endif // #ifndef NNUE_FEATURE_TRANSFORMER_H_INCLUDED