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       #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;
 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 * 2);
 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       for (IndexType p = 0; p < 2; ++p)
 233       {
 234           const IndexType offset = (HalfDimensions / 2) * p;
 235
 236 #if defined(USE_AVX512)
 237
 238           constexpr IndexType OutputChunkSize = 512 / 8;
 239           static_assert((HalfDimensions / 2) % OutputChunkSize == 0);
 240           constexpr IndexType NumOutputChunks = HalfDimensions / 2 / OutputChunkSize;
 241
 242           const __m512i Zero = _mm512_setzero_si512();
 243           const __m512i One = _mm512_set1_epi16(127);
 244           const __m512i Control = _mm512_setr_epi64(0, 2, 4, 6, 1, 3, 5, 7);
 245
 246           const __m512i* in0 = reinterpret_cast<const __m512i*>(&(accumulation[perspectives[p]][0]));
 247           const __m512i* in1 = reinterpret_cast<const __m512i*>(&(accumulation[perspectives[p]][HalfDimensions / 2]));
 248                 __m512i* out = reinterpret_cast<      __m512i*>(output + offset);
 249
 250           for (IndexType j = 0; j < NumOutputChunks; j += 1)
 251           {
 252               const __m512i sum0a = _mm512_max_epi16(_mm512_min_epi16(in0[j * 2 + 0], One), Zero);
 253               const __m512i sum0b = _mm512_max_epi16(_mm512_min_epi16(in0[j * 2 + 1], One), Zero);
 254               const __m512i sum1a = _mm512_max_epi16(_mm512_min_epi16(in1[j * 2 + 0], One), Zero);
 255               const __m512i sum1b = _mm512_max_epi16(_mm512_min_epi16(in1[j * 2 + 1], One), Zero);
 256
 257               const __m512i pa = _mm512_srli_epi16(_mm512_mullo_epi16(sum0a, sum1a), 7);
 258               const __m512i pb = _mm512_srli_epi16(_mm512_mullo_epi16(sum0b, sum1b), 7);
 259
 260               out[j] = _mm512_permutexvar_epi64(Control, _mm512_packs_epi16(pa, pb));
 261           }
 262
 263 #elif defined(USE_AVX2)
 264
 265           constexpr IndexType OutputChunkSize = 256 / 8;
 266           static_assert((HalfDimensions / 2) % OutputChunkSize == 0);
 267           constexpr IndexType NumOutputChunks = HalfDimensions / 2 / OutputChunkSize;
 268
 269           const __m256i Zero = _mm256_setzero_si256();
 270           const __m256i One = _mm256_set1_epi16(127);
 271           constexpr int Control = 0b11011000;
 272
 273           const __m256i* in0 = reinterpret_cast<const __m256i*>(&(accumulation[perspectives[p]][0]));
 274           const __m256i* in1 = reinterpret_cast<const __m256i*>(&(accumulation[perspectives[p]][HalfDimensions / 2]));
 275                 __m256i* out = reinterpret_cast<      __m256i*>(output + offset);
 276
 277           for (IndexType j = 0; j < NumOutputChunks; j += 1)
 278           {
 279               const __m256i sum0a = _mm256_max_epi16(_mm256_min_epi16(in0[j * 2 + 0], One), Zero);
 280               const __m256i sum0b = _mm256_max_epi16(_mm256_min_epi16(in0[j * 2 + 1], One), Zero);
 281               const __m256i sum1a = _mm256_max_epi16(_mm256_min_epi16(in1[j * 2 + 0], One), Zero);
 282               const __m256i sum1b = _mm256_max_epi16(_mm256_min_epi16(in1[j * 2 + 1], One), Zero);
 283
 284               const __m256i pa = _mm256_srli_epi16(_mm256_mullo_epi16(sum0a, sum1a), 7);
 285               const __m256i pb = _mm256_srli_epi16(_mm256_mullo_epi16(sum0b, sum1b), 7);
 286
 287               out[j] = _mm256_permute4x64_epi64(_mm256_packs_epi16(pa, pb), Control);
 288           }
 289
 290 #elif defined(USE_SSE2)
 291
 292           constexpr IndexType OutputChunkSize = 128 / 8;
 293           static_assert((HalfDimensions / 2) % OutputChunkSize == 0);
 294           constexpr IndexType NumOutputChunks = HalfDimensions / 2 / OutputChunkSize;
 295
 296           const __m128i Zero = _mm_setzero_si128();
 297           const __m128i One = _mm_set1_epi16(127);
 298
 299           const __m128i* in0 = reinterpret_cast<const __m128i*>(&(accumulation[perspectives[p]][0]));
 300           const __m128i* in1 = reinterpret_cast<const __m128i*>(&(accumulation[perspectives[p]][HalfDimensions / 2]));
 301                 __m128i* out = reinterpret_cast<      __m128i*>(output + offset);
 302
 303           for (IndexType j = 0; j < NumOutputChunks; j += 1)
 304           {
 305               const __m128i sum0a = _mm_max_epi16(_mm_min_epi16(in0[j * 2 + 0], One), Zero);
 306               const __m128i sum0b = _mm_max_epi16(_mm_min_epi16(in0[j * 2 + 1], One), Zero);
 307               const __m128i sum1a = _mm_max_epi16(_mm_min_epi16(in1[j * 2 + 0], One), Zero);
 308               const __m128i sum1b = _mm_max_epi16(_mm_min_epi16(in1[j * 2 + 1], One), Zero);
 309
 310               const __m128i pa = _mm_srli_epi16(_mm_mullo_epi16(sum0a, sum1a), 7);
 311               const __m128i pb = _mm_srli_epi16(_mm_mullo_epi16(sum0b, sum1b), 7);
 312
 313               out[j] = _mm_packs_epi16(pa, pb);
 314           }
 315
 316 #elif defined(USE_NEON)
 317
 318           constexpr IndexType OutputChunkSize = 128 / 8;
 319           static_assert((HalfDimensions / 2) % OutputChunkSize == 0);
 320           constexpr IndexType NumOutputChunks = HalfDimensions / 2 / OutputChunkSize;
 321
 322           const int16x8_t Zero = vdupq_n_s16(0);
 323           const int16x8_t One  = vdupq_n_s16(127);
 324
 325           const int16x8_t* in0 = reinterpret_cast<const int16x8_t*>(&(accumulation[perspectives[p]][0]));
 326           const int16x8_t* in1 = reinterpret_cast<const int16x8_t*>(&(accumulation[perspectives[p]][HalfDimensions / 2]));
 327                 int8x16_t* out = reinterpret_cast<      int8x16_t*>(output + offset);
 328
 329           for (IndexType j = 0; j < NumOutputChunks; j += 1)
 330           {
 331               const int16x8_t sum0a = vmaxq_s16(vminq_s16(in0[j * 2 + 0], One), Zero);
 332               const int16x8_t sum0b = vmaxq_s16(vminq_s16(in0[j * 2 + 1], One), Zero);
 333               const int16x8_t sum1a = vmaxq_s16(vminq_s16(in1[j * 2 + 0], One), Zero);
 334               const int16x8_t sum1b = vmaxq_s16(vminq_s16(in1[j * 2 + 1], One), Zero);
 335
 336               const int8x8_t pa = vshrn_n_s16(vmulq_s16(sum0a, sum1a), 7);
 337               const int8x8_t pb = vshrn_n_s16(vmulq_s16(sum0b, sum1b), 7);
 338
 339               out[j] = vcombine_s8(pa, pb);
 340           }
 341
 342 #else
 343
 344           for (IndexType j = 0; j < HalfDimensions / 2; ++j) {
 345               BiasType sum0 = accumulation[static_cast<int>(perspectives[p])][j + 0];
 346               BiasType sum1 = accumulation[static_cast<int>(perspectives[p])][j + HalfDimensions / 2];
 347               sum0 = std::max<int>(0, std::min<int>(127, sum0));
 348               sum1 = std::max<int>(0, std::min<int>(127, sum1));
 349               output[offset + j] = static_cast<OutputType>(sum0 * sum1 / 128);
 350           }
 351
 352 #endif
 353       }
 354
 355       return psqt;
 356
 357    } // end of function transform()
 358
 359
 360
 361    private:
 362     void update_accumulator(const Position& pos, const Color perspective) const {
 363
 364       // The size must be enough to contain the largest possible update.
 365       // That might depend on the feature set and generally relies on the
 366       // feature set's update cost calculation to be correct and never
 367       // allow updates with more added/removed features than MaxActiveDimensions.
 368
 369   #ifdef VECTOR
 370       // Gcc-10.2 unnecessarily spills AVX2 registers if this array
 371       // is defined in the VECTOR code below, once in each branch
 372       vec_t acc[NumRegs];
 373       psqt_vec_t psqt[NumPsqtRegs];
 374   #endif
 375
 376       // Look for a usable accumulator of an earlier position. We keep track
 377       // of the estimated gain in terms of features to be added/subtracted.
 378       StateInfo *st = pos.state(), *next = nullptr;
 379       int gain = FeatureSet::refresh_cost(pos);
 380       while (st->previous && !st->accumulator.computed[perspective])
 381       {
 382         // This governs when a full feature refresh is needed and how many
 383         // updates are better than just one full refresh.
 384         if (   FeatureSet::requires_refresh(st, perspective)
 385             || (gain -= FeatureSet::update_cost(st) + 1) < 0)
 386           break;
 387         next = st;
 388         st = st->previous;
 389       }
 390
 391       if (st->accumulator.computed[perspective])
 392       {
 393         if (next == nullptr)
 394           return;
 395
 396         // Update incrementally in two steps. First, we update the "next"
 397         // accumulator. Then, we update the current accumulator (pos.state()).
 398
 399         // Gather all features to be updated.
 400         const Square ksq = pos.square<KING>(perspective);
 401         FeatureSet::IndexList removed[2], added[2];
 402         FeatureSet::append_changed_indices(
 403           ksq, next->dirtyPiece, perspective, removed[0], added[0]);
 404         for (StateInfo *st2 = pos.state(); st2 != next; st2 = st2->previous)
 405           FeatureSet::append_changed_indices(
 406             ksq, st2->dirtyPiece, perspective, removed[1], added[1]);
 407
 408         // Mark the accumulators as computed.
 409         next->accumulator.computed[perspective] = true;
 410         pos.state()->accumulator.computed[perspective] = true;
 411
 412         // Now update the accumulators listed in states_to_update[], where the last element is a sentinel.
 413         StateInfo *states_to_update[3] =
 414           { next, next == pos.state() ? nullptr : pos.state(), nullptr };
 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       else
 527       {
 528         // Refresh the accumulator
 529         auto& accumulator = pos.state()->accumulator;
 530         accumulator.computed[perspective] = true;
 531         FeatureSet::IndexList active;
 532         FeatureSet::append_active_indices(pos, perspective, active);
 533
 534   #ifdef VECTOR
 535         for (IndexType j = 0; j < HalfDimensions / TileHeight; ++j)
 536         {
 537           auto biasesTile = reinterpret_cast<const vec_t*>(
 538               &biases[j * TileHeight]);
 539           for (IndexType k = 0; k < NumRegs; ++k)
 540             acc[k] = biasesTile[k];
 541
 542           for (const auto index : active)
 543           {
 544             const IndexType offset = HalfDimensions * index + j * TileHeight;
 545             auto column = reinterpret_cast<const vec_t*>(&weights[offset]);
 546
 547             for (unsigned k = 0; k < NumRegs; ++k)
 548               acc[k] = vec_add_16(acc[k], column[k]);
 549           }
 550
 551           auto accTile = reinterpret_cast<vec_t*>(
 552               &accumulator.accumulation[perspective][j * TileHeight]);
 553           for (unsigned k = 0; k < NumRegs; k++)
 554             vec_store(&accTile[k], acc[k]);
 555         }
 556
 557         for (IndexType j = 0; j < PSQTBuckets / PsqtTileHeight; ++j)
 558         {
 559           for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 560             psqt[k] = vec_zero_psqt();
 561
 562           for (const auto index : active)
 563           {
 564             const IndexType offset = PSQTBuckets * index + j * PsqtTileHeight;
 565             auto columnPsqt = reinterpret_cast<const psqt_vec_t*>(&psqtWeights[offset]);
 566
 567             for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 568               psqt[k] = vec_add_psqt_32(psqt[k], columnPsqt[k]);
 569           }
 570
 571           auto accTilePsqt = reinterpret_cast<psqt_vec_t*>(
 572             &accumulator.psqtAccumulation[perspective][j * PsqtTileHeight]);
 573           for (std::size_t k = 0; k < NumPsqtRegs; ++k)
 574             vec_store_psqt(&accTilePsqt[k], psqt[k]);
 575         }
 576
 577   #else
 578         std::memcpy(accumulator.accumulation[perspective], biases,
 579             HalfDimensions * sizeof(BiasType));
 580
 581         for (std::size_t k = 0; k < PSQTBuckets; ++k)
 582           accumulator.psqtAccumulation[perspective][k] = 0;
 583
 584         for (const auto index : active)
 585         {
 586           const IndexType offset = HalfDimensions * index;
 587
 588           for (IndexType j = 0; j < HalfDimensions; ++j)
 589             accumulator.accumulation[perspective][j] += weights[offset + j];
 590
 591           for (std::size_t k = 0; k < PSQTBuckets; ++k)
 592             accumulator.psqtAccumulation[perspective][k] += psqtWeights[index * PSQTBuckets + k];
 593         }
 594   #endif
 595       }
 596
 597   #if defined(USE_MMX)
 598       _mm_empty();
 599   #endif
 600     }
 601
 602     alignas(CacheLineSize) BiasType biases[HalfDimensions];
 603     alignas(CacheLineSize) WeightType weights[HalfDimensions * InputDimensions];
 604     alignas(CacheLineSize) PSQTWeightType psqtWeights[InputDimensions * PSQTBuckets];
 605   };
 606
 607 }  // namespace Stockfish::Eval::NNUE
 608
 609 #endif // #ifndef NNUE_FEATURE_TRANSFORMER_H_INCLUDED