git.sesse.net Git - stockfish/blob - src/nnue/layers/affine_transform.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 // Definition of layer AffineTransform of NNUE evaluation function
  20
  21 #ifndef NNUE_LAYERS_AFFINE_TRANSFORM_H_INCLUDED
  22 #define NNUE_LAYERS_AFFINE_TRANSFORM_H_INCLUDED
  23
  24 #include <iostream>
  25 #include <algorithm>
  26 #include <type_traits>
  27 #include "../nnue_common.h"
  28 #include "simd.h"
  29
  30 /*
  31   This file contains the definition for a fully connected layer (aka affine transform).
  32   Two approaches are employed, depending on the sizes of the transform.
  33
  34   Approach 1:
  35     - used when the PaddedInputDimensions >= 128
  36     - uses AVX512 if possible
  37     - processes inputs in batches of 2*InputSimdWidth
  38       - so in batches of 128 for AVX512
  39     - the weight blocks of size InputSimdWidth are transposed such that
  40       access is sequential
  41     - N columns of the weight matrix are processed a time, where N
  42       depends on the architecture (the amount of registers)
  43     - accumulate + hadd is used
  44
  45   Approach 2:
  46     - used when the PaddedInputDimensions < 128
  47     - does not use AVX512
  48     - expected use-case is for when PaddedInputDimensions == 32 and InputDimensions <= 32.
  49       - that's why AVX512 is hard to implement
  50     - expected use-case is small layers
  51       - not optimized as well as the approach 1
  52     - inputs are processed in chunks of 4, weights are respectively transposed
  53     - accumulation happens directly to int32s
  54 */
  55
  56 namespace Stockfish::Eval::NNUE::Layers {
  57
  58 // Fallback implementation for older/other architectures.
  59 // Identical for both approaches. Requires the input to be padded to at least 16 values.
  60 #if !defined(USE_SSSE3)
  61   template <IndexType InputDimensions, IndexType PaddedInputDimensions, IndexType OutputDimensions>
  62   static void affine_transform_non_ssse3(std::int32_t* output, const std::int8_t* weights, const std::int32_t* biases, const std::uint8_t* input)
  63   {
  64 # if defined(USE_SSE2)
  65     // At least a multiple of 16, with SSE2.
  66     constexpr IndexType NumChunks = ceil_to_multiple<IndexType>(InputDimensions, 16) / 16;
  67     const __m128i Zeros = _mm_setzero_si128();
  68     const auto inputVector = reinterpret_cast<const __m128i*>(input);
  69
  70 # elif defined(USE_MMX)
  71     constexpr IndexType NumChunks = ceil_to_multiple<IndexType>(InputDimensions, 8) / 8;
  72     const __m64 Zeros = _mm_setzero_si64();
  73     const auto inputVector = reinterpret_cast<const __m64*>(input);
  74
  75 # elif defined(USE_NEON_DOTPROD)
  76     constexpr IndexType NumChunks = ceil_to_multiple<IndexType>(InputDimensions, 16) / 16;
  77     const auto inputVector = reinterpret_cast<const int8x16_t*>(input);
  78
  79 # elif defined(USE_NEON)
  80     constexpr IndexType NumChunks = ceil_to_multiple<IndexType>(InputDimensions, 16) / 16;
  81     const auto inputVector = reinterpret_cast<const int8x8_t*>(input);
  82 # endif
  83
  84     for (IndexType i = 0; i < OutputDimensions; ++i) {
  85       const IndexType offset = i * PaddedInputDimensions;
  86
  87 # if defined(USE_SSE2)
  88       __m128i sumLo = _mm_cvtsi32_si128(biases[i]);
  89       __m128i sumHi = Zeros;
  90       const auto row = reinterpret_cast<const __m128i*>(&weights[offset]);
  91       for (IndexType j = 0; j < NumChunks; ++j) {
  92         __m128i row_j = _mm_load_si128(&row[j]);
  93         __m128i input_j = _mm_load_si128(&inputVector[j]);
  94         __m128i extendedRowLo = _mm_srai_epi16(_mm_unpacklo_epi8(row_j, row_j), 8);
  95         __m128i extendedRowHi = _mm_srai_epi16(_mm_unpackhi_epi8(row_j, row_j), 8);
  96         __m128i extendedInputLo = _mm_unpacklo_epi8(input_j, Zeros);
  97         __m128i extendedInputHi = _mm_unpackhi_epi8(input_j, Zeros);
  98         __m128i productLo = _mm_madd_epi16(extendedRowLo, extendedInputLo);
  99         __m128i productHi = _mm_madd_epi16(extendedRowHi, extendedInputHi);
 100         sumLo = _mm_add_epi32(sumLo, productLo);
 101         sumHi = _mm_add_epi32(sumHi, productHi);
 102       }
 103       __m128i sum = _mm_add_epi32(sumLo, sumHi);
 104       __m128i sumHigh_64 = _mm_shuffle_epi32(sum, _MM_SHUFFLE(1, 0, 3, 2));
 105       sum = _mm_add_epi32(sum, sumHigh_64);
 106       __m128i sum_second_32 = _mm_shufflelo_epi16(sum, _MM_SHUFFLE(1, 0, 3, 2));
 107       sum = _mm_add_epi32(sum, sum_second_32);
 108       output[i] = _mm_cvtsi128_si32(sum);
 109
 110 # elif defined(USE_MMX)
 111       __m64 sumLo = _mm_cvtsi32_si64(biases[i]);
 112       __m64 sumHi = Zeros;
 113       const auto row = reinterpret_cast<const __m64*>(&weights[offset]);
 114       for (IndexType j = 0; j < NumChunks; ++j) {
 115         __m64 row_j = row[j];
 116         __m64 input_j = inputVector[j];
 117         __m64 extendedRowLo = _mm_srai_pi16(_mm_unpacklo_pi8(row_j, row_j), 8);
 118         __m64 extendedRowHi = _mm_srai_pi16(_mm_unpackhi_pi8(row_j, row_j), 8);
 119         __m64 extendedInputLo = _mm_unpacklo_pi8(input_j, Zeros);
 120         __m64 extendedInputHi = _mm_unpackhi_pi8(input_j, Zeros);
 121         __m64 productLo = _mm_madd_pi16(extendedRowLo, extendedInputLo);
 122         __m64 productHi = _mm_madd_pi16(extendedRowHi, extendedInputHi);
 123         sumLo = _mm_add_pi32(sumLo, productLo);
 124         sumHi = _mm_add_pi32(sumHi, productHi);
 125       }
 126       __m64 sum = _mm_add_pi32(sumLo, sumHi);
 127       sum = _mm_add_pi32(sum, _mm_unpackhi_pi32(sum, sum));
 128       output[i] = _mm_cvtsi64_si32(sum);
 129
 130 # elif defined(USE_NEON_DOTPROD)
 131       int32x4_t sum = {biases[i]};
 132       const auto row = reinterpret_cast<const int8x16_t*>(&weights[offset]);
 133       for (IndexType j = 0; j < NumChunks; ++j) {
 134         sum = vdotq_s32(sum, inputVector[j], row[j]);
 135       }
 136       output[i] = vaddvq_s32(sum);
 137
 138 # elif defined(USE_NEON)
 139       int32x4_t sum = {biases[i]};
 140       const auto row = reinterpret_cast<const int8x8_t*>(&weights[offset]);
 141       for (IndexType j = 0; j < NumChunks; ++j) {
 142         int16x8_t product = vmull_s8(inputVector[j * 2], row[j * 2]);
 143         product = vmlal_s8(product, inputVector[j * 2 + 1], row[j * 2 + 1]);
 144         sum = vpadalq_s16(sum, product);
 145       }
 146       output[i] = sum[0] + sum[1] + sum[2] + sum[3];
 147
 148 # else
 149       std::int32_t sum = biases[i];
 150       for (IndexType j = 0; j < InputDimensions; ++j) {
 151         sum += weights[offset + j] * input[j];
 152       }
 153       output[i] = sum;
 154 # endif
 155     }
 156
 157 # if defined(USE_MMX)
 158     _mm_empty();
 159 # endif
 160   }
 161 #endif
 162
 163   template <IndexType InDims, IndexType OutDims, typename Enabled = void>
 164   class AffineTransform;
 165
 166 #if defined (USE_AVX512)
 167   constexpr IndexType LargeInputSize = 2 * 64;
 168 #else
 169   constexpr IndexType LargeInputSize = std::numeric_limits<IndexType>::max();
 170 #endif
 171
 172   // A specialization for large inputs.
 173   template <IndexType InDims, IndexType OutDims>
 174   class AffineTransform<InDims, OutDims, std::enable_if_t<(ceil_to_multiple<IndexType>(InDims, MaxSimdWidth) >= LargeInputSize)>> {
 175    public:
 176     // Input/output type
 177     using InputType = std::uint8_t;
 178     using OutputType = std::int32_t;
 179
 180     // Number of input/output dimensions
 181     static constexpr IndexType InputDimensions = InDims;
 182     static constexpr IndexType OutputDimensions = OutDims;
 183
 184     static constexpr IndexType PaddedInputDimensions =
 185       ceil_to_multiple<IndexType>(InputDimensions, MaxSimdWidth);
 186     static constexpr IndexType PaddedOutputDimensions =
 187       ceil_to_multiple<IndexType>(OutputDimensions, MaxSimdWidth);
 188
 189     using OutputBuffer = OutputType[PaddedOutputDimensions];
 190
 191     static_assert(PaddedInputDimensions >= LargeInputSize, "Something went wrong. This specialization should not have been chosen.");
 192
 193 #if defined (USE_AVX512)
 194     static constexpr IndexType InputSimdWidth = 64;
 195     static constexpr IndexType MaxNumOutputRegs = 16;
 196 #elif defined (USE_AVX2)
 197     static constexpr IndexType InputSimdWidth = 32;
 198     static constexpr IndexType MaxNumOutputRegs = 8;
 199 #elif defined (USE_SSSE3)
 200     static constexpr IndexType InputSimdWidth = 16;
 201     static constexpr IndexType MaxNumOutputRegs = 8;
 202 #elif defined (USE_NEON_DOTPROD)
 203     static constexpr IndexType InputSimdWidth = 16;
 204     static constexpr IndexType MaxNumOutputRegs = 8;
 205 #elif defined (USE_NEON)
 206     static constexpr IndexType InputSimdWidth = 8;
 207     static constexpr IndexType MaxNumOutputRegs = 8;
 208 #else
 209     // The fallback implementation will not have permuted weights.
 210     // We define these to avoid a lot of ifdefs later.
 211     static constexpr IndexType InputSimdWidth = 1;
 212     static constexpr IndexType MaxNumOutputRegs = 1;
 213 #endif
 214
 215     // A big block is a region in the weight matrix of the size [PaddedInputDimensions, NumOutputRegs].
 216     // A small block is a region of size [InputSimdWidth, 1]
 217
 218     static constexpr IndexType NumOutputRegs = std::min(MaxNumOutputRegs, OutputDimensions);
 219     static constexpr IndexType SmallBlockSize = InputSimdWidth;
 220     static constexpr IndexType BigBlockSize = NumOutputRegs * PaddedInputDimensions;
 221     static constexpr IndexType NumSmallBlocksInBigBlock = BigBlockSize / SmallBlockSize;
 222     static constexpr IndexType NumSmallBlocksPerOutput = PaddedInputDimensions / SmallBlockSize;
 223     static constexpr IndexType NumBigBlocks = OutputDimensions / NumOutputRegs;
 224
 225     static_assert(OutputDimensions % NumOutputRegs == 0);
 226
 227     // Hash value embedded in the evaluation file
 228     static constexpr std::uint32_t get_hash_value(std::uint32_t prevHash) {
 229       std::uint32_t hashValue = 0xCC03DAE4u;
 230       hashValue += OutputDimensions;
 231       hashValue ^= prevHash >> 1;
 232       hashValue ^= prevHash << 31;
 233       return hashValue;
 234     }
 235
 236     /*
 237       Transposes the small blocks within a block.
 238       Effectively means that weights can be traversed sequentially during inference.
 239     */
 240     static IndexType get_weight_index(IndexType i)
 241     {
 242       const IndexType smallBlock = (i / SmallBlockSize) % NumSmallBlocksInBigBlock;
 243       const IndexType smallBlockCol = smallBlock / NumSmallBlocksPerOutput;
 244       const IndexType smallBlockRow = smallBlock % NumSmallBlocksPerOutput;
 245       const IndexType bigBlock   = i / BigBlockSize;
 246       const IndexType rest       = i % SmallBlockSize;
 247
 248       const IndexType idx =
 249           bigBlock * BigBlockSize
 250         + smallBlockRow * SmallBlockSize * NumOutputRegs
 251         + smallBlockCol * SmallBlockSize
 252         + rest;
 253
 254       return idx;
 255     }
 256
 257     // Read network parameters
 258     bool read_parameters(std::istream& stream) {
 259       read_little_endian<BiasType>(stream, biases, OutputDimensions);
 260
 261       for (IndexType i = 0; i < OutputDimensions * PaddedInputDimensions; ++i)
 262         weights[get_weight_index(i)] = read_little_endian<WeightType>(stream);
 263
 264       return !stream.fail();
 265     }
 266
 267     // Write network parameters
 268     bool write_parameters(std::ostream& stream) const {
 269       write_little_endian<BiasType>(stream, biases, OutputDimensions);
 270
 271       for (IndexType i = 0; i < OutputDimensions * PaddedInputDimensions; ++i)
 272         write_little_endian<WeightType>(stream, weights[get_weight_index(i)]);
 273
 274       return !stream.fail();
 275     }
 276
 277     // Forward propagation
 278     const OutputType* propagate(
 279         const InputType* input, OutputType* output) const {
 280
 281 #if defined (USE_AVX512)
 282       using acc_vec_t = __m512i;
 283       using bias_vec_t = __m128i;
 284       using weight_vec_t = __m512i;
 285       using in_vec_t = __m512i;
 286       #define vec_zero _mm512_setzero_si512()
 287       #define vec_add_dpbusd_32x2 Simd::m512_add_dpbusd_epi32x2
 288       #define vec_hadd Simd::m512_hadd
 289       #define vec_haddx4 Simd::m512_haddx4
 290 #elif defined (USE_AVX2)
 291       using acc_vec_t = __m256i;
 292       using bias_vec_t = __m128i;
 293       using weight_vec_t = __m256i;
 294       using in_vec_t = __m256i;
 295       #define vec_zero _mm256_setzero_si256()
 296       #define vec_add_dpbusd_32x2 Simd::m256_add_dpbusd_epi32x2
 297       #define vec_hadd Simd::m256_hadd
 298       #define vec_haddx4 Simd::m256_haddx4
 299 #elif defined (USE_SSSE3)
 300       using acc_vec_t = __m128i;
 301       using bias_vec_t = __m128i;
 302       using weight_vec_t = __m128i;
 303       using in_vec_t = __m128i;
 304       #define vec_zero _mm_setzero_si128()
 305       #define vec_add_dpbusd_32x2 Simd::m128_add_dpbusd_epi32x2
 306       #define vec_hadd Simd::m128_hadd
 307       #define vec_haddx4 Simd::m128_haddx4
 308 #elif defined (USE_NEON_DOTPROD)
 309       using acc_vec_t = int32x4_t;
 310       using bias_vec_t = int32x4_t;
 311       using weight_vec_t = int8x16_t;
 312       using in_vec_t = int8x16_t;
 313       #define vec_zero {0}
 314       #define vec_add_dpbusd_32x2 Simd::dotprod_m128_add_dpbusd_epi32x2
 315       #define vec_hadd Simd::neon_m128_hadd
 316       #define vec_haddx4 Simd::neon_m128_haddx4
 317 #elif defined (USE_NEON)
 318       using acc_vec_t = int32x4_t;
 319       using bias_vec_t = int32x4_t;
 320       using weight_vec_t = int8x8_t;
 321       using in_vec_t = int8x8_t;
 322       #define vec_zero {0}
 323       #define vec_add_dpbusd_32x2 Simd::neon_m128_add_dpbusd_epi32x2
 324       #define vec_hadd Simd::neon_m128_hadd
 325       #define vec_haddx4 Simd::neon_m128_haddx4
 326 #endif
 327
 328 #if defined (USE_SSSE3) || defined (USE_NEON)
 329       const in_vec_t* invec = reinterpret_cast<const in_vec_t*>(input);
 330
 331       // Perform accumulation to registers for each big block
 332       for (IndexType bigBlock = 0; bigBlock < NumBigBlocks; ++bigBlock)
 333       {
 334         acc_vec_t acc[NumOutputRegs] = { vec_zero };
 335
 336         // Each big block has NumOutputRegs small blocks in each "row", one per register.
 337         // We process two small blocks at a time to save on one addition without VNNI.
 338         for (IndexType smallBlock = 0; smallBlock < NumSmallBlocksPerOutput; smallBlock += 2)
 339         {
 340           const weight_vec_t* weightvec =
 341             reinterpret_cast<const weight_vec_t*>(
 342                 weights
 343               + bigBlock * BigBlockSize
 344               + smallBlock * SmallBlockSize * NumOutputRegs);
 345
 346           const in_vec_t in0 = invec[smallBlock + 0];
 347           const in_vec_t in1 = invec[smallBlock + 1];
 348
 349           for (IndexType k = 0; k < NumOutputRegs; ++k)
 350             vec_add_dpbusd_32x2(acc[k], in0, weightvec[k], in1, weightvec[k + NumOutputRegs]);
 351         }
 352
 353         // Horizontally add all accumulators.
 354         if constexpr (NumOutputRegs % 4 == 0)
 355         {
 356           bias_vec_t* outputvec = reinterpret_cast<bias_vec_t*>(output);
 357           const bias_vec_t* biasvec = reinterpret_cast<const bias_vec_t*>(biases);
 358
 359           for (IndexType k = 0; k < NumOutputRegs; k += 4)
 360           {
 361             const IndexType idx = (bigBlock * NumOutputRegs + k) / 4;
 362             outputvec[idx] = vec_haddx4(acc[k+0], acc[k+1], acc[k+2], acc[k+3], biasvec[idx]);
 363           }
 364         }
 365         else
 366         {
 367           for (IndexType k = 0; k < NumOutputRegs; ++k)
 368           {
 369             const IndexType idx = (bigBlock * NumOutputRegs + k);
 370             output[idx] = vec_hadd(acc[k], biases[idx]);
 371           }
 372         }
 373       }
 374
 375 # undef vec_zero
 376 # undef vec_add_dpbusd_32x2
 377 # undef vec_hadd
 378 # undef vec_haddx4
 379 #else
 380       // Use old implementation for the other architectures.
 381       affine_transform_non_ssse3<
 382         InputDimensions,
 383         PaddedInputDimensions,
 384         OutputDimensions>(output, weights, biases, input);
 385
 386 #endif
 387
 388       return output;
 389     }
 390
 391    private:
 392     using BiasType = OutputType;
 393     using WeightType = std::int8_t;
 394
 395     alignas(CacheLineSize) BiasType biases[OutputDimensions];
 396     alignas(CacheLineSize) WeightType weights[OutputDimensions * PaddedInputDimensions];
 397   };
 398
 399   template <IndexType InDims, IndexType OutDims>
 400   class AffineTransform<InDims, OutDims, std::enable_if_t<(ceil_to_multiple<IndexType>(InDims, MaxSimdWidth) < LargeInputSize)>> {
 401    public:
 402     // Input/output type
 403     // Input/output type
 404     using InputType = std::uint8_t;
 405     using OutputType = std::int32_t;
 406
 407     // Number of input/output dimensions
 408     static constexpr IndexType InputDimensions = InDims;
 409     static constexpr IndexType OutputDimensions = OutDims;
 410
 411     static constexpr IndexType PaddedInputDimensions =
 412       ceil_to_multiple<IndexType>(InputDimensions, MaxSimdWidth);
 413     static constexpr IndexType PaddedOutputDimensions =
 414       ceil_to_multiple<IndexType>(OutputDimensions, MaxSimdWidth);
 415
 416     using OutputBuffer = OutputType[PaddedOutputDimensions];
 417
 418     static_assert(PaddedInputDimensions < LargeInputSize, "Something went wrong. This specialization should not have been chosen.");
 419
 420 #if defined (USE_SSSE3)
 421     static constexpr IndexType OutputSimdWidth = SimdWidth / 4;
 422     static constexpr IndexType InputSimdWidth = SimdWidth;
 423 #endif
 424
 425     // Hash value embedded in the evaluation file
 426     static constexpr std::uint32_t get_hash_value(std::uint32_t prevHash) {
 427       std::uint32_t hashValue = 0xCC03DAE4u;
 428       hashValue += OutputDimensions;
 429       hashValue ^= prevHash >> 1;
 430       hashValue ^= prevHash << 31;
 431       return hashValue;
 432     }
 433
 434     static IndexType get_weight_index_scrambled(IndexType i)
 435     {
 436       return
 437         (i / 4) % (PaddedInputDimensions / 4) * OutputDimensions * 4 +
 438         i / PaddedInputDimensions * 4 +
 439         i % 4;
 440     }
 441
 442     static IndexType get_weight_index(IndexType i)
 443     {
 444 #if defined (USE_SSSE3)
 445       return get_weight_index_scrambled(i);
 446 #else
 447       return i;
 448 #endif
 449     }
 450
 451     // Read network parameters
 452     bool read_parameters(std::istream& stream) {
 453       read_little_endian<BiasType>(stream, biases, OutputDimensions);
 454       for (IndexType i = 0; i < OutputDimensions * PaddedInputDimensions; ++i)
 455         weights[get_weight_index(i)] = read_little_endian<WeightType>(stream);
 456
 457       return !stream.fail();
 458     }
 459
 460     // Write network parameters
 461     bool write_parameters(std::ostream& stream) const {
 462       write_little_endian<BiasType>(stream, biases, OutputDimensions);
 463
 464       for (IndexType i = 0; i < OutputDimensions * PaddedInputDimensions; ++i)
 465         write_little_endian<WeightType>(stream, weights[get_weight_index(i)]);
 466
 467       return !stream.fail();
 468     }
 469     // Forward propagation
 470     const OutputType* propagate(
 471         const InputType* input, OutputType* output) const {
 472
 473 #if defined (USE_AVX2)
 474       using vec_t = __m256i;
 475       #define vec_setzero _mm256_setzero_si256
 476       #define vec_set_32 _mm256_set1_epi32
 477       #define vec_add_dpbusd_32 Simd::m256_add_dpbusd_epi32
 478       #define vec_add_dpbusd_32x2 Simd::m256_add_dpbusd_epi32x2
 479       #define vec_hadd Simd::m256_hadd
 480 #elif defined (USE_SSSE3)
 481       using vec_t = __m128i;
 482       #define vec_setzero _mm_setzero_si128
 483       #define vec_set_32 _mm_set1_epi32
 484       #define vec_add_dpbusd_32 Simd::m128_add_dpbusd_epi32
 485       #define vec_add_dpbusd_32x2 Simd::m128_add_dpbusd_epi32x2
 486       #define vec_hadd Simd::m128_hadd
 487 #endif
 488
 489 #if defined (USE_SSSE3)
 490       const auto inputVector = reinterpret_cast<const vec_t*>(input);
 491
 492       static_assert(OutputDimensions % OutputSimdWidth == 0 || OutputDimensions == 1);
 493
 494       if constexpr (OutputDimensions % OutputSimdWidth == 0)
 495       {
 496         constexpr IndexType NumChunks = ceil_to_multiple<IndexType>(InputDimensions, 8) / 4;
 497         constexpr IndexType NumRegs = OutputDimensions / OutputSimdWidth;
 498
 499         const auto input32 = reinterpret_cast<const std::int32_t*>(input);
 500         const vec_t* biasvec = reinterpret_cast<const vec_t*>(biases);
 501         vec_t acc[NumRegs];
 502         for (IndexType k = 0; k < NumRegs; ++k)
 503           acc[k] = biasvec[k];
 504
 505         for (IndexType i = 0; i < NumChunks; i += 2)
 506         {
 507           const vec_t in0 = vec_set_32(input32[i + 0]);
 508           const vec_t in1 = vec_set_32(input32[i + 1]);
 509           const auto col0 = reinterpret_cast<const vec_t*>(&weights[(i + 0) * OutputDimensions * 4]);
 510           const auto col1 = reinterpret_cast<const vec_t*>(&weights[(i + 1) * OutputDimensions * 4]);
 511           for (IndexType k = 0; k < NumRegs; ++k)
 512             vec_add_dpbusd_32x2(acc[k], in0, col0[k], in1, col1[k]);
 513         }
 514
 515         vec_t* outptr = reinterpret_cast<vec_t*>(output);
 516         for (IndexType k = 0; k < NumRegs; ++k)
 517           outptr[k] = acc[k];
 518       }
 519       else if constexpr (OutputDimensions == 1)
 520       {
 521         constexpr IndexType NumChunks = PaddedInputDimensions / SimdWidth;
 522         vec_t sum0 = vec_setzero();
 523         const auto row0 = reinterpret_cast<const vec_t*>(&weights[0]);
 524
 525         for (int j = 0; j < (int)NumChunks; ++j)
 526         {
 527           const vec_t in = inputVector[j];
 528           vec_add_dpbusd_32(sum0, in, row0[j]);
 529         }
 530         output[0] = vec_hadd(sum0, biases[0]);
 531       }
 532
 533 # undef vec_setzero
 534 # undef vec_set_32
 535 # undef vec_add_dpbusd_32
 536 # undef vec_add_dpbusd_32x2
 537 # undef vec_hadd
 538 #else
 539       // Use old implementation for the other architectures.
 540       affine_transform_non_ssse3<
 541         InputDimensions,
 542         PaddedInputDimensions,
 543         OutputDimensions>(output, weights, biases, input);
 544 #endif
 545
 546       return output;
 547     }
 548
 549    private:
 550     using BiasType = OutputType;
 551     using WeightType = std::int8_t;
 552
 553     alignas(CacheLineSize) BiasType biases[OutputDimensions];
 554     alignas(CacheLineSize) WeightType weights[OutputDimensions * PaddedInputDimensions];
 555   };
 556
 557 }  // namespace Stockfish::Eval::NNUE::Layers
 558
 559 #endif // #ifndef NNUE_LAYERS_AFFINE_TRANSFORM_H_INCLUDED