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) 2004-2023 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 // 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 #include <utility> // std::pair
  29
  30 namespace Stockfish::Eval::NNUE {
  31
  32   using BiasType       = std::int16_t;
  33   using WeightType     = std::int16_t;
  34   using PSQTWeightType = std::int32_t;
  35
  36   // If vector instructions are enabled, we update and refresh the
  37   // accumulator tile by tile such that each tile fits in the CPU's
  38   // vector registers.
  39   #define VECTOR
  40
  41   static_assert(PSQTBuckets % 8 == 0,
  42     "Per feature PSQT values cannot be processed at granularity lower than 8 at a time.");
  43
  44   #ifdef USE_AVX512
  45   using vec_t = __m512i;
  46   using psqt_vec_t = __m256i;
  47   #define vec_load(a) _mm512_load_si512(a)
  48   #define vec_store(a,b) _mm512_store_si512(a,b)
  49   #define vec_add_16(a,b) _mm512_add_epi16(a,b)
  50   #define vec_sub_16(a,b) _mm512_sub_epi16(a,b)
  51   #define vec_mul_16(a,b) _mm512_mullo_epi16(a,b)
  52   #define vec_zero() _mm512_setzero_epi32()
  53   #define vec_set_16(a) _mm512_set1_epi16(a)
  54   #define vec_max_16(a,b) _mm512_max_epi16(a,b)
  55   #define vec_min_16(a,b) _mm512_min_epi16(a,b)
  56   inline vec_t vec_msb_pack_16(vec_t a, vec_t b){
  57     vec_t compacted = _mm512_packs_epi16(_mm512_srli_epi16(a,7),_mm512_srli_epi16(b,7));
  58     return _mm512_permutexvar_epi64(_mm512_setr_epi64(0, 2, 4, 6, 1, 3, 5, 7), compacted);
  59   }
  60   #define vec_load_psqt(a) _mm256_load_si256(a)
  61   #define vec_store_psqt(a,b) _mm256_store_si256(a,b)
  62   #define vec_add_psqt_32(a,b) _mm256_add_epi32(a,b)
  63   #define vec_sub_psqt_32(a,b) _mm256_sub_epi32(a,b)
  64   #define vec_zero_psqt() _mm256_setzero_si256()
  65   #define NumRegistersSIMD 32
  66   #define MaxChunkSize 64
  67
  68   #elif USE_AVX2
  69   using vec_t = __m256i;
  70   using psqt_vec_t = __m256i;
  71   #define vec_load(a) _mm256_load_si256(a)
  72   #define vec_store(a,b) _mm256_store_si256(a,b)
  73   #define vec_add_16(a,b) _mm256_add_epi16(a,b)
  74   #define vec_sub_16(a,b) _mm256_sub_epi16(a,b)
  75   #define vec_mul_16(a,b) _mm256_mullo_epi16(a,b)
  76   #define vec_zero() _mm256_setzero_si256()
  77   #define vec_set_16(a) _mm256_set1_epi16(a)
  78   #define vec_max_16(a,b) _mm256_max_epi16(a,b)
  79   #define vec_min_16(a,b) _mm256_min_epi16(a,b)
  80   inline vec_t vec_msb_pack_16(vec_t a, vec_t b){
  81     vec_t compacted = _mm256_packs_epi16(_mm256_srli_epi16(a,7), _mm256_srli_epi16(b,7));
  82     return _mm256_permute4x64_epi64(compacted, 0b11011000);
  83   }
  84   #define vec_load_psqt(a) _mm256_load_si256(a)
  85   #define vec_store_psqt(a,b) _mm256_store_si256(a,b)
  86   #define vec_add_psqt_32(a,b) _mm256_add_epi32(a,b)
  87   #define vec_sub_psqt_32(a,b) _mm256_sub_epi32(a,b)
  88   #define vec_zero_psqt() _mm256_setzero_si256()
  89   #define NumRegistersSIMD 16
  90   #define MaxChunkSize 32
  91
  92   #elif USE_SSE2
  93   using vec_t = __m128i;
  94   using psqt_vec_t = __m128i;
  95   #define vec_load(a) (*(a))
  96   #define vec_store(a,b) *(a)=(b)
  97   #define vec_add_16(a,b) _mm_add_epi16(a,b)
  98   #define vec_sub_16(a,b) _mm_sub_epi16(a,b)
  99   #define vec_mul_16(a,b) _mm_mullo_epi16(a,b)
 100   #define vec_zero() _mm_setzero_si128()
 101   #define vec_set_16(a) _mm_set1_epi16(a)
 102   #define vec_max_16(a,b) _mm_max_epi16(a,b)
 103   #define vec_min_16(a,b) _mm_min_epi16(a,b)
 104   #define vec_msb_pack_16(a,b) _mm_packs_epi16(_mm_srli_epi16(a,7),_mm_srli_epi16(b,7))
 105   #define vec_load_psqt(a) (*(a))
 106   #define vec_store_psqt(a,b) *(a)=(b)
 107   #define vec_add_psqt_32(a,b) _mm_add_epi32(a,b)
 108   #define vec_sub_psqt_32(a,b) _mm_sub_epi32(a,b)
 109   #define vec_zero_psqt() _mm_setzero_si128()
 110   #define NumRegistersSIMD (Is64Bit ? 16 : 8)
 111   #define MaxChunkSize 16
 112
 113   #elif USE_MMX
 114   using vec_t = __m64;
 115   using psqt_vec_t = __m64;
 116   #define vec_load(a) (*(a))
 117   #define vec_store(a,b) *(a)=(b)
 118   #define vec_add_16(a,b) _mm_add_pi16(a,b)
 119   #define vec_sub_16(a,b) _mm_sub_pi16(a,b)
 120   #define vec_mul_16(a,b) _mm_mullo_pi16(a,b)
 121   #define vec_zero() _mm_setzero_si64()
 122   #define vec_set_16(a) _mm_set1_pi16(a)
 123   inline vec_t vec_max_16(vec_t a,vec_t b){
 124     vec_t comparison = _mm_cmpgt_pi16(a,b);
 125     return _mm_or_si64(_mm_and_si64(comparison, a), _mm_andnot_si64(comparison, b));
 126   }
 127   inline vec_t vec_min_16(vec_t a,vec_t b){
 128     vec_t comparison = _mm_cmpgt_pi16(a,b);
 129     return _mm_or_si64(_mm_and_si64(comparison, b), _mm_andnot_si64(comparison, a));
 130   }
 131   #define vec_msb_pack_16(a,b) _mm_packs_pi16(_mm_srli_pi16(a,7),_mm_srli_pi16(b,7))
 132   #define vec_load_psqt(a) (*(a))
 133   #define vec_store_psqt(a,b) *(a)=(b)
 134   #define vec_add_psqt_32(a,b) _mm_add_pi32(a,b)
 135   #define vec_sub_psqt_32(a,b) _mm_sub_pi32(a,b)
 136   #define vec_zero_psqt() _mm_setzero_si64()
 137   #define vec_cleanup() _mm_empty()
 138   #define NumRegistersSIMD 8
 139   #define MaxChunkSize 8
 140
 141   #elif USE_NEON
 142   using vec_t = int16x8_t;
 143   using psqt_vec_t = int32x4_t;
 144   #define vec_load(a) (*(a))
 145   #define vec_store(a,b) *(a)=(b)
 146   #define vec_add_16(a,b) vaddq_s16(a,b)
 147   #define vec_sub_16(a,b) vsubq_s16(a,b)
 148   #define vec_mul_16(a,b) vmulq_s16(a,b)
 149   #define vec_zero() vec_t{0}
 150   #define vec_set_16(a) vdupq_n_s16(a)
 151   #define vec_max_16(a,b) vmaxq_s16(a,b)
 152   #define vec_min_16(a,b) vminq_s16(a,b)
 153   inline vec_t vec_msb_pack_16(vec_t a, vec_t b){
 154     const int8x8_t shifta = vshrn_n_s16(a, 7);
 155     const int8x8_t shiftb = vshrn_n_s16(b, 7);
 156     const int8x16_t compacted = vcombine_s8(shifta,shiftb);
 157     return *reinterpret_cast<const vec_t*> (&compacted);
 158   }
 159   #define vec_load_psqt(a) (*(a))
 160   #define vec_store_psqt(a,b) *(a)=(b)
 161   #define vec_add_psqt_32(a,b) vaddq_s32(a,b)
 162   #define vec_sub_psqt_32(a,b) vsubq_s32(a,b)
 163   #define vec_zero_psqt() psqt_vec_t{0}
 164   #define NumRegistersSIMD 16
 165   #define MaxChunkSize 16
 166
 167   #else
 168   #undef VECTOR
 169
 170   #endif
 171
 172
 173   #ifdef VECTOR
 174
 175       // Compute optimal SIMD register count for feature transformer accumulation.
 176
 177       // We use __m* types as template arguments, which causes GCC to emit warnings
 178       // about losing some attribute information. This is irrelevant to us as we
 179       // only take their size, so the following pragma are harmless.
 180       #if defined(__GNUC__)
 181       #pragma GCC diagnostic push
 182       #pragma GCC diagnostic ignored "-Wignored-attributes"
 183       #endif
 184
 185       template <typename SIMDRegisterType,
 186                 typename LaneType,
 187                 int      NumLanes,
 188                 int      MaxRegisters>
 189       static constexpr int BestRegisterCount()
 190       {
 191           #define RegisterSize  sizeof(SIMDRegisterType)
 192           #define LaneSize      sizeof(LaneType)
 193
 194           static_assert(RegisterSize >= LaneSize);
 195           static_assert(MaxRegisters <= NumRegistersSIMD);
 196           static_assert(MaxRegisters > 0);
 197           static_assert(NumRegistersSIMD > 0);
 198           static_assert(RegisterSize % LaneSize == 0);
 199           static_assert((NumLanes * LaneSize) % RegisterSize == 0);
 200
 201           const int ideal = (NumLanes * LaneSize) / RegisterSize;
 202           if (ideal <= MaxRegisters)
 203             return ideal;
 204
 205           // Look for the largest divisor of the ideal register count that is smaller than MaxRegisters
 206           for (int divisor = MaxRegisters; divisor > 1; --divisor)
 207             if (ideal % divisor == 0)
 208               return divisor;
 209
 210           return 1;
 211       }
 212
 213       static constexpr int NumRegs     = BestRegisterCount<vec_t, WeightType, TransformedFeatureDimensions, NumRegistersSIMD>();
 214       static constexpr int NumPsqtRegs = BestRegisterCount<psqt_vec_t, PSQTWeightType, PSQTBuckets, NumRegistersSIMD>();
 215       #if defined(__GNUC__)
 216       #pragma GCC diagnostic pop
 217       #endif
 218   #endif
 219
 220
 221
 222   // Input feature converter
 223   class FeatureTransformer {
 224
 225    private:
 226     // Number of output dimensions for one side
 227     static constexpr IndexType HalfDimensions = TransformedFeatureDimensions;
 228
 229     #ifdef VECTOR
 230     static constexpr IndexType TileHeight = NumRegs * sizeof(vec_t) / 2;
 231     static constexpr IndexType PsqtTileHeight = NumPsqtRegs * sizeof(psqt_vec_t) / 4;
 232     static_assert(HalfDimensions % TileHeight == 0, "TileHeight must divide HalfDimensions");
 233     static_assert(PSQTBuckets % PsqtTileHeight == 0, "PsqtTileHeight must divide PSQTBuckets");
 234     #endif
 235
 236    public:
 237     // Output type
 238     using OutputType = TransformedFeatureType;
 239
 240     // Number of input/output dimensions
 241     static constexpr IndexType InputDimensions = FeatureSet::Dimensions;
 242     static constexpr IndexType OutputDimensions = HalfDimensions;
 243
 244     // Size of forward propagation buffer
 245     static constexpr std::size_t BufferSize =
 246         OutputDimensions * sizeof(OutputType);
 247
 248     // Hash value embedded in the evaluation file
 249     static constexpr std::uint32_t get_hash_value() {
 250       return FeatureSet::HashValue ^ (OutputDimensions * 2);
 251     }
 252
 253     // Read network parameters
 254     bool read_parameters(std::istream& stream) {
 255
 256       read_little_endian<BiasType      >(stream, biases     , HalfDimensions                  );
 257       read_little_endian<WeightType    >(stream, weights    , HalfDimensions * InputDimensions);
 258       read_little_endian<PSQTWeightType>(stream, psqtWeights, PSQTBuckets    * InputDimensions);
 259
 260       return !stream.fail();
 261     }
 262
 263     // Write network parameters
 264     bool write_parameters(std::ostream& stream) const {
 265
 266       write_little_endian<BiasType      >(stream, biases     , HalfDimensions                  );
 267       write_little_endian<WeightType    >(stream, weights    , HalfDimensions * InputDimensions);
 268       write_little_endian<PSQTWeightType>(stream, psqtWeights, PSQTBuckets    * InputDimensions);
 269
 270       return !stream.fail();
 271     }
 272
 273     // Convert input features
 274     std::int32_t transform(const Position& pos, OutputType* output, int bucket) const {
 275       update_accumulator<WHITE>(pos);
 276       update_accumulator<BLACK>(pos);
 277
 278       const Color perspectives[2] = {pos.side_to_move(), ~pos.side_to_move()};
 279       const auto& accumulation = pos.state()->accumulator.accumulation;
 280       const auto& psqtAccumulation = pos.state()->accumulator.psqtAccumulation;
 281
 282       const auto psqt = (
 283             psqtAccumulation[perspectives[0]][bucket]
 284           - psqtAccumulation[perspectives[1]][bucket]
 285         ) / 2;
 286
 287
 288       for (IndexType p = 0; p < 2; ++p)
 289       {
 290           const IndexType offset = (HalfDimensions / 2) * p;
 291
 292 #if defined(VECTOR)
 293
 294           constexpr IndexType OutputChunkSize = MaxChunkSize;
 295           static_assert((HalfDimensions / 2) % OutputChunkSize == 0);
 296           constexpr IndexType NumOutputChunks = HalfDimensions / 2 / OutputChunkSize;
 297
 298           vec_t Zero = vec_zero();
 299           vec_t One = vec_set_16(127);
 300
 301           const vec_t* in0 = reinterpret_cast<const vec_t*>(&(accumulation[perspectives[p]][0]));
 302           const vec_t* in1 = reinterpret_cast<const vec_t*>(&(accumulation[perspectives[p]][HalfDimensions / 2]));
 303                 vec_t* out = reinterpret_cast<      vec_t*>(output + offset);
 304
 305           for (IndexType j = 0; j < NumOutputChunks; j += 1)
 306           {
 307               const vec_t sum0a = vec_max_16(vec_min_16(in0[j * 2 + 0], One), Zero);
 308               const vec_t sum0b = vec_max_16(vec_min_16(in0[j * 2 + 1], One), Zero);
 309               const vec_t sum1a = vec_max_16(vec_min_16(in1[j * 2 + 0], One), Zero);
 310               const vec_t sum1b = vec_max_16(vec_min_16(in1[j * 2 + 1], One), Zero);
 311
 312               const vec_t pa = vec_mul_16(sum0a, sum1a);
 313               const vec_t pb = vec_mul_16(sum0b, sum1b);
 314
 315               out[j] = vec_msb_pack_16(pa, pb);
 316           }
 317
 318 #else
 319
 320           for (IndexType j = 0; j < HalfDimensions / 2; ++j) {
 321               BiasType sum0 = accumulation[static_cast<int>(perspectives[p])][j + 0];
 322               BiasType sum1 = accumulation[static_cast<int>(perspectives[p])][j + HalfDimensions / 2];
 323               sum0 = std::max<int>(0, std::min<int>(127, sum0));
 324               sum1 = std::max<int>(0, std::min<int>(127, sum1));
 325               output[offset + j] = static_cast<OutputType>(sum0 * sum1 / 128);
 326           }
 327
 328 #endif
 329       }
 330
 331 #if defined(vec_cleanup)
 332       vec_cleanup();
 333 #endif
 334
 335       return psqt;
 336     } // end of function transform()
 337
 338     void hint_common_access(const Position& pos) const {
 339       hint_common_access_for_perspective<WHITE>(pos);
 340       hint_common_access_for_perspective<BLACK>(pos);
 341     }
 342
 343    private:
 344     template<Color Perspective>
 345     [[nodiscard]] std::pair<StateInfo*, StateInfo*> try_find_computed_accumulator(const Position& pos) const {
 346       // Look for a usable accumulator of an earlier position. We keep track
 347       // of the estimated gain in terms of features to be added/subtracted.
 348       StateInfo *st = pos.state(), *next = nullptr;
 349       int gain = FeatureSet::refresh_cost(pos);
 350       while (st->previous && !st->accumulator.computed[Perspective])
 351       {
 352         // This governs when a full feature refresh is needed and how many
 353         // updates are better than just one full refresh.
 354         if (   FeatureSet::requires_refresh(st, Perspective)
 355             || (gain -= FeatureSet::update_cost(st) + 1) < 0)
 356           break;
 357         next = st;
 358         st = st->previous;
 359       }
 360       return { st, next };
 361     }
 362
 363     // NOTE: The parameter states_to_update is an array of position states, ending with nullptr.
 364     //       All states must be sequential, that is states_to_update[i] must either be reachable
 365     //       by repeatedly applying ->previous from states_to_update[i+1] or states_to_update[i] == nullptr.
 366     //       computed_st must be reachable by repeatedly applying ->previous on states_to_update[0], if not nullptr.
 367     template<Color Perspective, size_t N>
 368     void update_accumulator_incremental(const Position& pos, StateInfo* computed_st, StateInfo* states_to_update[N]) const {
 369       static_assert(N > 0);
 370       assert(states_to_update[N-1] == nullptr);
 371
 372   #ifdef VECTOR
 373       // Gcc-10.2 unnecessarily spills AVX2 registers if this array
 374       // is defined in the VECTOR code below, once in each branch
 375       vec_t acc[NumRegs];
 376       psqt_vec_t psqt[NumPsqtRegs];
 377   #endif
 378
 379       if (states_to_update[0] == nullptr)
 380         return;
 381
 382       // Update incrementally going back through states_to_update.
 383
 384       // Gather all features to be updated.
 385       const Square ksq = pos.square<KING>(Perspective);
 386
 387       // The size must be enough to contain the largest possible update.
 388       // That might depend on the feature set and generally relies on the
 389       // feature set's update cost calculation to be correct and never
 390       // allow updates with more added/removed features than MaxActiveDimensions.
 391       FeatureSet::IndexList removed[N-1], added[N-1];
 392
 393       {
 394         int i = N-2; // last potential state to update. Skip last element because it must be nullptr.
 395         while (states_to_update[i] == nullptr)
 396           --i;
 397
 398         StateInfo *st2 = states_to_update[i];
 399
 400         for (; i >= 0; --i)
 401         {
 402           states_to_update[i]->accumulator.computed[Perspective] = true;
 403
 404           StateInfo* end_state = i == 0 ? computed_st : states_to_update[i - 1];
 405
 406           for (; st2 != end_state; st2 = st2->previous)
 407             FeatureSet::append_changed_indices<Perspective>(
 408               ksq, st2->dirtyPiece, removed[i], added[i]);
 409         }
 410       }
 411
 412       StateInfo* st = computed_st;
 413
 414       // Now update the accumulators listed in states_to_update[], where the last element is a sentinel.
 415 #ifdef VECTOR
 416       for (IndexType j = 0; j < HalfDimensions / TileHeight; ++j)
 417       {
 418         // Load accumulator
 419         auto accTile = reinterpret_cast<vec_t*>(
 420           &st->accumulator.accumulation[Perspective][j * TileHeight]);
 421         for (IndexType k = 0; k < NumRegs; ++k)
 422           acc[k] = vec_load(&accTile[k]);
 423
 424         for (IndexType i = 0; states_to_update[i]; ++i)
 425         {
 426           // Difference calculation for the deactivated features
 427           for (const auto index : removed[i])
 428           {
 429             const IndexType offset = HalfDimensions * index + j * TileHeight;
 430             auto column = reinterpret_cast<const vec_t*>(&weights[offset]);
 431             for (IndexType k = 0; k < NumRegs; ++k)
 432               acc[k] = vec_sub_16(acc[k], column[k]);
 433           }
 434
 435           // Difference calculation for the activated features
 436           for (const auto index : added[i])
 437           {
 438             const IndexType offset = HalfDimensions * index + j * TileHeight;
 439             auto column = reinterpret_cast<const vec_t*>(&weights[offset]);
 440             for (IndexType k = 0; k < NumRegs; ++k)
 441               acc[k] = vec_add_16(acc[k], column[k]);
 442           }
 443
 444           // Store accumulator
 445           accTile = reinterpret_cast<vec_t*>(
 446             &states_to_update[i]->accumulator.accumulation[Perspective][j * TileHeight]);
 447           for (IndexType k = 0; k < NumRegs; ++k)
 448             vec_store(&accTile[k], acc[k]);
 449         }
 450       }
 451
 452       for (IndexType j = 0; j < PSQTBuckets / PsqtTileHeight; ++j)
 453       {
 454         // Load accumulator
 455         auto accTilePsqt = reinterpret_cast<psqt_vec_t*>(
 456           &st->accumulator.psqtAccumulation[Perspective][j * PsqtTileHeight]);
 457         for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 458           psqt[k] = vec_load_psqt(&accTilePsqt[k]);
 459
 460         for (IndexType i = 0; states_to_update[i]; ++i)
 461         {
 462           // Difference calculation for the deactivated features
 463           for (const auto index : removed[i])
 464           {
 465             const IndexType offset = PSQTBuckets * index + j * PsqtTileHeight;
 466             auto columnPsqt = reinterpret_cast<const psqt_vec_t*>(&psqtWeights[offset]);
 467             for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 468               psqt[k] = vec_sub_psqt_32(psqt[k], columnPsqt[k]);
 469           }
 470
 471           // Difference calculation for the activated features
 472           for (const auto index : added[i])
 473           {
 474             const IndexType offset = PSQTBuckets * index + j * PsqtTileHeight;
 475             auto columnPsqt = reinterpret_cast<const psqt_vec_t*>(&psqtWeights[offset]);
 476             for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 477               psqt[k] = vec_add_psqt_32(psqt[k], columnPsqt[k]);
 478           }
 479
 480           // Store accumulator
 481           accTilePsqt = reinterpret_cast<psqt_vec_t*>(
 482             &states_to_update[i]->accumulator.psqtAccumulation[Perspective][j * PsqtTileHeight]);
 483           for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 484             vec_store_psqt(&accTilePsqt[k], psqt[k]);
 485         }
 486       }
 487
 488 #else
 489       for (IndexType i = 0; states_to_update[i]; ++i)
 490       {
 491         std::memcpy(states_to_update[i]->accumulator.accumulation[Perspective],
 492             st->accumulator.accumulation[Perspective],
 493             HalfDimensions * sizeof(BiasType));
 494
 495         for (std::size_t k = 0; k < PSQTBuckets; ++k)
 496           states_to_update[i]->accumulator.psqtAccumulation[Perspective][k] = st->accumulator.psqtAccumulation[Perspective][k];
 497
 498         st = states_to_update[i];
 499
 500         // Difference calculation for the deactivated features
 501         for (const auto index : removed[i])
 502         {
 503           const IndexType offset = HalfDimensions * index;
 504
 505           for (IndexType j = 0; j < HalfDimensions; ++j)
 506             st->accumulator.accumulation[Perspective][j] -= weights[offset + j];
 507
 508           for (std::size_t k = 0; k < PSQTBuckets; ++k)
 509             st->accumulator.psqtAccumulation[Perspective][k] -= psqtWeights[index * PSQTBuckets + k];
 510         }
 511
 512         // Difference calculation for the activated features
 513         for (const auto index : added[i])
 514         {
 515           const IndexType offset = HalfDimensions * index;
 516
 517           for (IndexType j = 0; j < HalfDimensions; ++j)
 518             st->accumulator.accumulation[Perspective][j] += weights[offset + j];
 519
 520           for (std::size_t k = 0; k < PSQTBuckets; ++k)
 521             st->accumulator.psqtAccumulation[Perspective][k] += psqtWeights[index * PSQTBuckets + k];
 522         }
 523       }
 524 #endif
 525
 526   #if defined(USE_MMX)
 527       _mm_empty();
 528   #endif
 529     }
 530
 531     template<Color Perspective>
 532     void update_accumulator_refresh(const Position& pos) const {
 533   #ifdef VECTOR
 534       // Gcc-10.2 unnecessarily spills AVX2 registers if this array
 535       // is defined in the VECTOR code below, once in each branch
 536       vec_t acc[NumRegs];
 537       psqt_vec_t psqt[NumPsqtRegs];
 538   #endif
 539
 540       // Refresh the accumulator
 541       // Could be extracted to a separate function because it's done in 2 places,
 542       // but it's unclear if compilers would correctly handle register allocation.
 543       auto& accumulator = pos.state()->accumulator;
 544       accumulator.computed[Perspective] = true;
 545       FeatureSet::IndexList active;
 546       FeatureSet::append_active_indices<Perspective>(pos, active);
 547
 548 #ifdef VECTOR
 549       for (IndexType j = 0; j < HalfDimensions / TileHeight; ++j)
 550       {
 551         auto biasesTile = reinterpret_cast<const vec_t*>(
 552             &biases[j * TileHeight]);
 553         for (IndexType k = 0; k < NumRegs; ++k)
 554           acc[k] = biasesTile[k];
 555
 556         for (const auto index : active)
 557         {
 558           const IndexType offset = HalfDimensions * index + j * TileHeight;
 559           auto column = reinterpret_cast<const vec_t*>(&weights[offset]);
 560
 561           for (unsigned k = 0; k < NumRegs; ++k)
 562             acc[k] = vec_add_16(acc[k], column[k]);
 563         }
 564
 565         auto accTile = reinterpret_cast<vec_t*>(
 566             &accumulator.accumulation[Perspective][j * TileHeight]);
 567         for (unsigned k = 0; k < NumRegs; k++)
 568           vec_store(&accTile[k], acc[k]);
 569       }
 570
 571       for (IndexType j = 0; j < PSQTBuckets / PsqtTileHeight; ++j)
 572       {
 573         for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 574           psqt[k] = vec_zero_psqt();
 575
 576         for (const auto index : active)
 577         {
 578           const IndexType offset = PSQTBuckets * index + j * PsqtTileHeight;
 579           auto columnPsqt = reinterpret_cast<const psqt_vec_t*>(&psqtWeights[offset]);
 580
 581           for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 582             psqt[k] = vec_add_psqt_32(psqt[k], columnPsqt[k]);
 583         }
 584
 585         auto accTilePsqt = reinterpret_cast<psqt_vec_t*>(
 586           &accumulator.psqtAccumulation[Perspective][j * PsqtTileHeight]);
 587         for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 588           vec_store_psqt(&accTilePsqt[k], psqt[k]);
 589       }
 590
 591 #else
 592       std::memcpy(accumulator.accumulation[Perspective], biases,
 593           HalfDimensions * sizeof(BiasType));
 594
 595       for (std::size_t k = 0; k < PSQTBuckets; ++k)
 596         accumulator.psqtAccumulation[Perspective][k] = 0;
 597
 598       for (const auto index : active)
 599       {
 600         const IndexType offset = HalfDimensions * index;
 601
 602         for (IndexType j = 0; j < HalfDimensions; ++j)
 603           accumulator.accumulation[Perspective][j] += weights[offset + j];
 604
 605         for (std::size_t k = 0; k < PSQTBuckets; ++k)
 606           accumulator.psqtAccumulation[Perspective][k] += psqtWeights[index * PSQTBuckets + k];
 607       }
 608 #endif
 609
 610   #if defined(USE_MMX)
 611       _mm_empty();
 612   #endif
 613     }
 614
 615     template<Color Perspective>
 616     void hint_common_access_for_perspective(const Position& pos) const {
 617
 618       // Works like update_accumulator, but performs less work.
 619       // Updates ONLY the accumulator for pos.
 620
 621       // Look for a usable accumulator of an earlier position. We keep track
 622       // of the estimated gain in terms of features to be added/subtracted.
 623       // Fast early exit.
 624       if (pos.state()->accumulator.computed[Perspective])
 625         return;
 626
 627       auto [oldest_st, _] = try_find_computed_accumulator<Perspective>(pos);
 628
 629       if (oldest_st->accumulator.computed[Perspective])
 630       {
 631         // Only update current position accumulator to minimize work.
 632         StateInfo* states_to_update[2] = { pos.state(), nullptr };
 633         update_accumulator_incremental<Perspective, 2>(pos, oldest_st, states_to_update);
 634       }
 635       else
 636       {
 637         update_accumulator_refresh<Perspective>(pos);
 638       }
 639     }
 640
 641     template<Color Perspective>
 642     void update_accumulator(const Position& pos) const {
 643
 644       auto [oldest_st, next] = try_find_computed_accumulator<Perspective>(pos);
 645
 646       if (oldest_st->accumulator.computed[Perspective])
 647       {
 648         if (next == nullptr)
 649           return;
 650
 651         // Now update the accumulators listed in states_to_update[], where the last element is a sentinel.
 652         // Currently we update 2 accumulators.
 653         //     1. for the current position
 654         //     2. the next accumulator after the computed one
 655         // The heuristic may change in the future.
 656         StateInfo *states_to_update[3] =
 657           { next, next == pos.state() ? nullptr : pos.state(), nullptr };
 658
 659         update_accumulator_incremental<Perspective, 3>(pos, oldest_st, states_to_update);
 660       }
 661       else
 662       {
 663         update_accumulator_refresh<Perspective>(pos);
 664       }
 665     }
 666
 667     alignas(CacheLineSize) BiasType biases[HalfDimensions];
 668     alignas(CacheLineSize) WeightType weights[HalfDimensions * InputDimensions];
 669     alignas(CacheLineSize) PSQTWeightType psqtWeights[InputDimensions * PSQTBuckets];
 670   };
 671
 672 }  // namespace Stockfish::Eval::NNUE
 673
 674 #endif // #ifndef NNUE_FEATURE_TRANSFORMER_H_INCLUDED