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) 2004-2021 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 // 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       #pragma GCC diagnostic push
 127       #pragma GCC diagnostic ignored "-Wignored-attributes"
 128
 129       template <typename SIMDRegisterType,
 130                 typename LaneType,
 131                 int      NumLanes,
 132                 int      MaxRegisters>
 133       static constexpr int BestRegisterCount()
 134       {
 135           #define RegisterSize  sizeof(SIMDRegisterType)
 136           #define LaneSize      sizeof(LaneType)
 137
 138           static_assert(RegisterSize >= LaneSize);
 139           static_assert(MaxRegisters <= NumRegistersSIMD);
 140           static_assert(MaxRegisters > 0);
 141           static_assert(NumRegistersSIMD > 0);
 142           static_assert(RegisterSize % LaneSize == 0);
 143           static_assert((NumLanes * LaneSize) % RegisterSize == 0);
 144
 145           const int ideal = (NumLanes * LaneSize) / RegisterSize;
 146           if (ideal <= MaxRegisters)
 147             return ideal;
 148
 149           // Look for the largest divisor of the ideal register count that is smaller than MaxRegisters
 150           for (int divisor = MaxRegisters; divisor > 1; --divisor)
 151             if (ideal % divisor == 0)
 152               return divisor;
 153
 154           return 1;
 155       }
 156
 157       static constexpr int NumRegs     = BestRegisterCount<vec_t, WeightType, TransformedFeatureDimensions, NumRegistersSIMD>();
 158       static constexpr int NumPsqtRegs = BestRegisterCount<psqt_vec_t, PSQTWeightType, PSQTBuckets, NumRegistersSIMD>();
 159
 160       #pragma GCC diagnostic pop
 161
 162   #endif
 163
 164
 165
 166   // Input feature converter
 167   class FeatureTransformer {
 168
 169    private:
 170     // Number of output dimensions for one side
 171     static constexpr IndexType HalfDimensions = TransformedFeatureDimensions;
 172
 173     #ifdef VECTOR
 174     static constexpr IndexType TileHeight = NumRegs * sizeof(vec_t) / 2;
 175     static constexpr IndexType PsqtTileHeight = NumPsqtRegs * sizeof(psqt_vec_t) / 4;
 176     static_assert(HalfDimensions % TileHeight == 0, "TileHeight must divide HalfDimensions");
 177     static_assert(PSQTBuckets % PsqtTileHeight == 0, "PsqtTileHeight must divide PSQTBuckets");
 178     #endif
 179
 180    public:
 181     // Output type
 182     using OutputType = TransformedFeatureType;
 183
 184     // Number of input/output dimensions
 185     static constexpr IndexType InputDimensions = FeatureSet::Dimensions;
 186     static constexpr IndexType OutputDimensions = HalfDimensions * 2;
 187
 188     // Size of forward propagation buffer
 189     static constexpr std::size_t BufferSize =
 190         OutputDimensions * sizeof(OutputType);
 191
 192     // Hash value embedded in the evaluation file
 193     static constexpr std::uint32_t get_hash_value() {
 194       return FeatureSet::HashValue ^ OutputDimensions;
 195     }
 196
 197     // Read network parameters
 198     bool read_parameters(std::istream& stream) {
 199
 200       read_little_endian<BiasType      >(stream, biases     , HalfDimensions                  );
 201       read_little_endian<WeightType    >(stream, weights    , HalfDimensions * InputDimensions);
 202       read_little_endian<PSQTWeightType>(stream, psqtWeights, PSQTBuckets    * InputDimensions);
 203
 204       return !stream.fail();
 205     }
 206
 207     // Write network parameters
 208     bool write_parameters(std::ostream& stream) const {
 209
 210       write_little_endian<BiasType      >(stream, biases     , HalfDimensions                  );
 211       write_little_endian<WeightType    >(stream, weights    , HalfDimensions * InputDimensions);
 212       write_little_endian<PSQTWeightType>(stream, psqtWeights, PSQTBuckets    * InputDimensions);
 213
 214       return !stream.fail();
 215     }
 216
 217     // Convert input features
 218     std::int32_t transform(const Position& pos, OutputType* output, int bucket) const {
 219       update_accumulator(pos, WHITE);
 220       update_accumulator(pos, BLACK);
 221
 222       const Color perspectives[2] = {pos.side_to_move(), ~pos.side_to_move()};
 223       const auto& accumulation = pos.state()->accumulator.accumulation;
 224       const auto& psqtAccumulation = pos.state()->accumulator.psqtAccumulation;
 225
 226       const auto psqt = (
 227             psqtAccumulation[perspectives[0]][bucket]
 228           - psqtAccumulation[perspectives[1]][bucket]
 229         ) / 2;
 230
 231
 232   #if defined(USE_AVX512)
 233
 234       constexpr IndexType NumChunks = HalfDimensions / (SimdWidth * 2);
 235       static_assert(HalfDimensions % (SimdWidth * 2) == 0);
 236       const __m512i Control = _mm512_setr_epi64(0, 2, 4, 6, 1, 3, 5, 7);
 237       const __m512i Zero = _mm512_setzero_si512();
 238
 239       for (IndexType p = 0; p < 2; ++p)
 240       {
 241           const IndexType offset = HalfDimensions * p;
 242           auto out = reinterpret_cast<__m512i*>(&output[offset]);
 243           for (IndexType j = 0; j < NumChunks; ++j)
 244           {
 245               __m512i sum0 = _mm512_load_si512(&reinterpret_cast<const __m512i*>
 246                                               (accumulation[perspectives[p]])[j * 2 + 0]);
 247               __m512i sum1 = _mm512_load_si512(&reinterpret_cast<const __m512i*>
 248                                               (accumulation[perspectives[p]])[j * 2 + 1]);
 249
 250               _mm512_store_si512(&out[j], _mm512_permutexvar_epi64(Control,
 251                                  _mm512_max_epi8(_mm512_packs_epi16(sum0, sum1), Zero)));
 252           }
 253       }
 254       return psqt;
 255
 256   #elif defined(USE_AVX2)
 257
 258       constexpr IndexType NumChunks = HalfDimensions / SimdWidth;
 259       constexpr int Control = 0b11011000;
 260       const __m256i Zero = _mm256_setzero_si256();
 261
 262       for (IndexType p = 0; p < 2; ++p)
 263       {
 264           const IndexType offset = HalfDimensions * p;
 265           auto out = reinterpret_cast<__m256i*>(&output[offset]);
 266           for (IndexType j = 0; j < NumChunks; ++j)
 267           {
 268               __m256i sum0 = _mm256_load_si256(&reinterpret_cast<const __m256i*>
 269                                               (accumulation[perspectives[p]])[j * 2 + 0]);
 270               __m256i sum1 = _mm256_load_si256(&reinterpret_cast<const __m256i*>
 271                                               (accumulation[perspectives[p]])[j * 2 + 1]);
 272
 273               _mm256_store_si256(&out[j], _mm256_permute4x64_epi64(
 274                                  _mm256_max_epi8(_mm256_packs_epi16(sum0, sum1), Zero), Control));
 275           }
 276       }
 277       return psqt;
 278
 279   #elif defined(USE_SSE2)
 280
 281       #ifdef USE_SSE41
 282       constexpr IndexType NumChunks = HalfDimensions / SimdWidth;
 283       const __m128i Zero = _mm_setzero_si128();
 284       #else
 285       constexpr IndexType NumChunks = HalfDimensions / SimdWidth;
 286       const __m128i k0x80s = _mm_set1_epi8(-128);
 287       #endif
 288
 289       for (IndexType p = 0; p < 2; ++p)
 290       {
 291           const IndexType offset = HalfDimensions * p;
 292           auto out = reinterpret_cast<__m128i*>(&output[offset]);
 293           for (IndexType j = 0; j < NumChunks; ++j)
 294           {
 295               __m128i sum0 = _mm_load_si128(&reinterpret_cast<const __m128i*>
 296                                            (accumulation[perspectives[p]])[j * 2 + 0]);
 297               __m128i sum1 = _mm_load_si128(&reinterpret_cast<const __m128i*>
 298                                            (accumulation[perspectives[p]])[j * 2 + 1]);
 299               const __m128i packedbytes = _mm_packs_epi16(sum0, sum1);
 300
 301               #ifdef USE_SSE41
 302               _mm_store_si128(&out[j], _mm_max_epi8(packedbytes, Zero));
 303               #else
 304               _mm_store_si128(&out[j], _mm_subs_epi8(_mm_adds_epi8(packedbytes, k0x80s), k0x80s));
 305               #endif
 306           }
 307       }
 308       return psqt;
 309
 310   #elif defined(USE_MMX)
 311
 312       constexpr IndexType NumChunks = HalfDimensions / SimdWidth;
 313       const __m64 k0x80s = _mm_set1_pi8(-128);
 314
 315       for (IndexType p = 0; p < 2; ++p)
 316       {
 317           const IndexType offset = HalfDimensions * p;
 318           auto out = reinterpret_cast<__m64*>(&output[offset]);
 319           for (IndexType j = 0; j < NumChunks; ++j)
 320           {
 321               __m64 sum0 = *(&reinterpret_cast<const __m64*>(accumulation[perspectives[p]])[j * 2 + 0]);
 322               __m64 sum1 = *(&reinterpret_cast<const __m64*>(accumulation[perspectives[p]])[j * 2 + 1]);
 323               const __m64 packedbytes = _mm_packs_pi16(sum0, sum1);
 324               out[j] = _mm_subs_pi8(_mm_adds_pi8(packedbytes, k0x80s), k0x80s);
 325           }
 326       }
 327       _mm_empty();
 328       return psqt;
 329
 330   #elif defined(USE_NEON)
 331
 332       constexpr IndexType NumChunks = HalfDimensions / (SimdWidth / 2);
 333       const int8x8_t Zero = {0};
 334
 335       for (IndexType p = 0; p < 2; ++p)
 336       {
 337           const IndexType offset = HalfDimensions * p;
 338           const auto out = reinterpret_cast<int8x8_t*>(&output[offset]);
 339           for (IndexType j = 0; j < NumChunks; ++j)
 340           {
 341               int16x8_t sum = reinterpret_cast<const int16x8_t*>(accumulation[perspectives[p]])[j];
 342               out[j] = vmax_s8(vqmovn_s16(sum), Zero);
 343           }
 344       }
 345       return psqt;
 346
 347   #else
 348
 349       for (IndexType p = 0; p < 2; ++p)
 350       {
 351           const IndexType offset = HalfDimensions * p;
 352           for (IndexType j = 0; j < HalfDimensions; ++j)
 353           {
 354               BiasType sum = accumulation[perspectives[p]][j];
 355               output[offset + j] = static_cast<OutputType>(std::max<int>(0, std::min<int>(127, sum)));
 356           }
 357       }
 358       return psqt;
 359
 360   #endif
 361
 362    } // end of function transform()
 363
 364
 365
 366    private:
 367     void update_accumulator(const Position& pos, const Color perspective) const {
 368
 369       // The size must be enough to contain the largest possible update.
 370       // That might depend on the feature set and generally relies on the
 371       // feature set's update cost calculation to be correct and never
 372       // allow updates with more added/removed features than MaxActiveDimensions.
 373
 374   #ifdef VECTOR
 375       // Gcc-10.2 unnecessarily spills AVX2 registers if this array
 376       // is defined in the VECTOR code below, once in each branch
 377       vec_t acc[NumRegs];
 378       psqt_vec_t psqt[NumPsqtRegs];
 379   #endif
 380
 381       // Look for a usable accumulator of an earlier position. We keep track
 382       // of the estimated gain in terms of features to be added/subtracted.
 383       StateInfo *st = pos.state(), *next = nullptr;
 384       int gain = FeatureSet::refresh_cost(pos);
 385       while (st->previous && !st->accumulator.computed[perspective])
 386       {
 387         // This governs when a full feature refresh is needed and how many
 388         // updates are better than just one full refresh.
 389         if (   FeatureSet::requires_refresh(st, perspective)
 390             || (gain -= FeatureSet::update_cost(st) + 1) < 0)
 391           break;
 392         next = st;
 393         st = st->previous;
 394       }
 395
 396       if (st->accumulator.computed[perspective])
 397       {
 398         if (next == nullptr)
 399           return;
 400
 401         // Update incrementally in two steps. First, we update the "next"
 402         // accumulator. Then, we update the current accumulator (pos.state()).
 403
 404         // Gather all features to be updated.
 405         const Square ksq = pos.square<KING>(perspective);
 406         FeatureSet::IndexList removed[2], added[2];
 407         FeatureSet::append_changed_indices(
 408           ksq, next->dirtyPiece, perspective, removed[0], added[0]);
 409         for (StateInfo *st2 = pos.state(); st2 != next; st2 = st2->previous)
 410           FeatureSet::append_changed_indices(
 411             ksq, st2->dirtyPiece, perspective, removed[1], added[1]);
 412
 413         // Mark the accumulators as computed.
 414         next->accumulator.computed[perspective] = true;
 415         pos.state()->accumulator.computed[perspective] = true;
 416
 417         // Now update the accumulators listed in states_to_update[], where the last element is a sentinel.
 418         StateInfo *states_to_update[3] =
 419           { next, next == pos.state() ? nullptr : pos.state(), nullptr };
 420   #ifdef VECTOR
 421         for (IndexType j = 0; j < HalfDimensions / TileHeight; ++j)
 422         {
 423           // Load accumulator
 424           auto accTile = reinterpret_cast<vec_t*>(
 425             &st->accumulator.accumulation[perspective][j * TileHeight]);
 426           for (IndexType k = 0; k < NumRegs; ++k)
 427             acc[k] = vec_load(&accTile[k]);
 428
 429           for (IndexType i = 0; states_to_update[i]; ++i)
 430           {
 431             // Difference calculation for the deactivated features
 432             for (const auto index : removed[i])
 433             {
 434               const IndexType offset = HalfDimensions * index + j * TileHeight;
 435               auto column = reinterpret_cast<const vec_t*>(&weights[offset]);
 436               for (IndexType k = 0; k < NumRegs; ++k)
 437                 acc[k] = vec_sub_16(acc[k], column[k]);
 438             }
 439
 440             // Difference calculation for the activated features
 441             for (const auto index : added[i])
 442             {
 443               const IndexType offset = HalfDimensions * index + j * TileHeight;
 444               auto column = reinterpret_cast<const vec_t*>(&weights[offset]);
 445               for (IndexType k = 0; k < NumRegs; ++k)
 446                 acc[k] = vec_add_16(acc[k], column[k]);
 447             }
 448
 449             // Store accumulator
 450             accTile = reinterpret_cast<vec_t*>(
 451               &states_to_update[i]->accumulator.accumulation[perspective][j * TileHeight]);
 452             for (IndexType k = 0; k < NumRegs; ++k)
 453               vec_store(&accTile[k], acc[k]);
 454           }
 455         }
 456
 457         for (IndexType j = 0; j < PSQTBuckets / PsqtTileHeight; ++j)
 458         {
 459           // Load accumulator
 460           auto accTilePsqt = reinterpret_cast<psqt_vec_t*>(
 461             &st->accumulator.psqtAccumulation[perspective][j * PsqtTileHeight]);
 462           for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 463             psqt[k] = vec_load_psqt(&accTilePsqt[k]);
 464
 465           for (IndexType i = 0; states_to_update[i]; ++i)
 466           {
 467             // Difference calculation for the deactivated features
 468             for (const auto index : removed[i])
 469             {
 470               const IndexType offset = PSQTBuckets * index + j * PsqtTileHeight;
 471               auto columnPsqt = reinterpret_cast<const psqt_vec_t*>(&psqtWeights[offset]);
 472               for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 473                 psqt[k] = vec_sub_psqt_32(psqt[k], columnPsqt[k]);
 474             }
 475
 476             // Difference calculation for the activated features
 477             for (const auto index : added[i])
 478             {
 479               const IndexType offset = PSQTBuckets * index + j * PsqtTileHeight;
 480               auto columnPsqt = reinterpret_cast<const psqt_vec_t*>(&psqtWeights[offset]);
 481               for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 482                 psqt[k] = vec_add_psqt_32(psqt[k], columnPsqt[k]);
 483             }
 484
 485             // Store accumulator
 486             accTilePsqt = reinterpret_cast<psqt_vec_t*>(
 487               &states_to_update[i]->accumulator.psqtAccumulation[perspective][j * PsqtTileHeight]);
 488             for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 489               vec_store_psqt(&accTilePsqt[k], psqt[k]);
 490           }
 491         }
 492
 493   #else
 494         for (IndexType i = 0; states_to_update[i]; ++i)
 495         {
 496           std::memcpy(states_to_update[i]->accumulator.accumulation[perspective],
 497               st->accumulator.accumulation[perspective],
 498               HalfDimensions * sizeof(BiasType));
 499
 500           for (std::size_t k = 0; k < PSQTBuckets; ++k)
 501             states_to_update[i]->accumulator.psqtAccumulation[perspective][k] = st->accumulator.psqtAccumulation[perspective][k];
 502
 503           st = states_to_update[i];
 504
 505           // Difference calculation for the deactivated features
 506           for (const auto index : removed[i])
 507           {
 508             const IndexType offset = HalfDimensions * index;
 509
 510             for (IndexType j = 0; j < HalfDimensions; ++j)
 511               st->accumulator.accumulation[perspective][j] -= weights[offset + j];
 512
 513             for (std::size_t k = 0; k < PSQTBuckets; ++k)
 514               st->accumulator.psqtAccumulation[perspective][k] -= psqtWeights[index * PSQTBuckets + k];
 515           }
 516
 517           // Difference calculation for the activated features
 518           for (const auto index : added[i])
 519           {
 520             const IndexType offset = HalfDimensions * index;
 521
 522             for (IndexType j = 0; j < HalfDimensions; ++j)
 523               st->accumulator.accumulation[perspective][j] += weights[offset + j];
 524
 525             for (std::size_t k = 0; k < PSQTBuckets; ++k)
 526               st->accumulator.psqtAccumulation[perspective][k] += psqtWeights[index * PSQTBuckets + k];
 527           }
 528         }
 529   #endif
 530       }
 531       else
 532       {
 533         // Refresh the accumulator
 534         auto& accumulator = pos.state()->accumulator;
 535         accumulator.computed[perspective] = true;
 536         FeatureSet::IndexList active;
 537         FeatureSet::append_active_indices(pos, perspective, active);
 538
 539   #ifdef VECTOR
 540         for (IndexType j = 0; j < HalfDimensions / TileHeight; ++j)
 541         {
 542           auto biasesTile = reinterpret_cast<const vec_t*>(
 543               &biases[j * TileHeight]);
 544           for (IndexType k = 0; k < NumRegs; ++k)
 545             acc[k] = biasesTile[k];
 546
 547           for (const auto index : active)
 548           {
 549             const IndexType offset = HalfDimensions * index + j * TileHeight;
 550             auto column = reinterpret_cast<const vec_t*>(&weights[offset]);
 551
 552             for (unsigned k = 0; k < NumRegs; ++k)
 553               acc[k] = vec_add_16(acc[k], column[k]);
 554           }
 555
 556           auto accTile = reinterpret_cast<vec_t*>(
 557               &accumulator.accumulation[perspective][j * TileHeight]);
 558           for (unsigned k = 0; k < NumRegs; k++)
 559             vec_store(&accTile[k], acc[k]);
 560         }
 561
 562         for (IndexType j = 0; j < PSQTBuckets / PsqtTileHeight; ++j)
 563         {
 564           for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 565             psqt[k] = vec_zero_psqt();
 566
 567           for (const auto index : active)
 568           {
 569             const IndexType offset = PSQTBuckets * index + j * PsqtTileHeight;
 570             auto columnPsqt = reinterpret_cast<const psqt_vec_t*>(&psqtWeights[offset]);
 571
 572             for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 573               psqt[k] = vec_add_psqt_32(psqt[k], columnPsqt[k]);
 574           }
 575
 576           auto accTilePsqt = reinterpret_cast<psqt_vec_t*>(
 577             &accumulator.psqtAccumulation[perspective][j * PsqtTileHeight]);
 578           for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 579             vec_store_psqt(&accTilePsqt[k], psqt[k]);
 580         }
 581
 582   #else
 583         std::memcpy(accumulator.accumulation[perspective], biases,
 584             HalfDimensions * sizeof(BiasType));
 585
 586         for (std::size_t k = 0; k < PSQTBuckets; ++k)
 587           accumulator.psqtAccumulation[perspective][k] = 0;
 588
 589         for (const auto index : active)
 590         {
 591           const IndexType offset = HalfDimensions * index;
 592
 593           for (IndexType j = 0; j < HalfDimensions; ++j)
 594             accumulator.accumulation[perspective][j] += weights[offset + j];
 595
 596           for (std::size_t k = 0; k < PSQTBuckets; ++k)
 597             accumulator.psqtAccumulation[perspective][k] += psqtWeights[index * PSQTBuckets + k];
 598         }
 599   #endif
 600       }
 601
 602   #if defined(USE_MMX)
 603       _mm_empty();
 604   #endif
 605     }
 606
 607     alignas(CacheLineSize) BiasType biases[HalfDimensions];
 608     alignas(CacheLineSize) WeightType weights[HalfDimensions * InputDimensions];
 609     alignas(CacheLineSize) PSQTWeightType psqtWeights[InputDimensions * PSQTBuckets];
 610   };
 611
 612 }  // namespace Stockfish::Eval::NNUE
 613
 614 #endif // #ifndef NNUE_FEATURE_TRANSFORMER_H_INCLUDED