| // Copyright 2022 Google LLC |
| // |
| // This source code is licensed under the BSD-style license found in the |
| // LICENSE file in the root directory of this source tree. |
| |
| #include <cassert> |
| #include <cstddef> |
| |
| #include <xnnpack/aarch64-assembler.h> |
| #include <xnnpack/allocator.h> |
| #include <xnnpack/gemm.h> |
| #include <xnnpack/params.h> |
| |
| namespace xnnpack { |
| namespace aarch64 { |
| namespace { |
| class Generator : public Assembler { |
| using Assembler::Assembler; |
| public: |
| void generate(bool prefetch, size_t nc, size_t kc, float min, float max); |
| }; |
| |
| // void xnn_f32_gemm_minmax_ukernel_6x8__aarch64_neonfma_prfm_cortex_a75( |
| // size_t mr, x0 |
| // size_t nc, x1 |
| // size_t kc, x2 / x0 |
| // const uint8_t*restrict a, x3 |
| // size_t a_stride, x4 |
| // const void*restrict w, x5 |
| // uint8_t*restrict c, x6 |
| // size_t cm_stride, x7 |
| // size_t cn_stride, [sp] -> (x0) |
| // const union xnn_f32_minmax_params params[restrict XNN_MIN_ELEMENTS(1)]) [sp + 8] -> x8 |
| |
| // d8-d15, x19-x30 need to be preserved if used. x18 is reserved by the OS. |
| |
| // A pointers |
| // x3 a0 |
| // x9 a1 |
| // x10 a2 |
| // x11 a3 |
| // x12 a4 |
| // x4 a5 |
| |
| // C pointers |
| // x6 c0 |
| // x16 c1 |
| // x17 c2 |
| // x14 c3 |
| // x13 c4 |
| // x7 c5 |
| |
| // Vector register usage |
| // A0 v0 v6 |
| // A1 v1 v7 |
| // A2 v2 v8 |
| // A3 v3 v9 |
| // A4 v4 v10 |
| // A5 v5 v11 |
| // B v12 v13 v14 v15 |
| // B v16 v17 v18 v19 |
| // C v20 v21 |
| // C v22 v23 |
| // C v24 v25 |
| // C v26 v27 |
| // C v28 v29 |
| // C v30 v31 |
| // Clamp v6 v7 |
| |
| // Converted from: src/f32-gemm/gen/6x8-minmax-aarch64-neonfma-prfm-cortex-a75.S |
| void Generator::generate(bool prefetch, size_t nc, size_t kc, float min, float max) { |
| Label l0, l1, l2, l3, l4, l5, l6, l7, l8, l9, l10; |
| const bool clamp_min = min != -std::numeric_limits<float>::infinity(); |
| const bool clamp_max = max != +std::numeric_limits<float>::infinity(); |
| |
| // Load params pointer |
| ldr(x8, mem[sp, 8]); |
| |
| // Clamp A and C pointers / Save d8-d15 on stack |
| stp(d8, d9, mem[sp, -64]++); |
| cmp(x0, 2); // if mr < 2 |
| add(x9, x3, x4); // a1 = a0 + a_stride |
| add(x16, x6, x7); // c1 = c0 + cm_stride |
| csel(x9, x3, x9, kLO); // a1 = a0 |
| csel(x16, x6, x16, kLO); // c1 = c0 |
| |
| stp(d10, d11, mem[sp, 16]); |
| add(x10, x9, x4); // a2 = a1 + a_stride |
| add(x17, x16, x7); // c2 = c1 + cm_stride |
| // if mr <= 2 |
| csel(x10, x9, x10, kLS); // a2 = a1 |
| csel(x17, x16, x17, kLS); // c2 = c1 |
| |
| stp(d12, d13, mem[sp, 32]); |
| cmp(x0, 4); // if mr < 4 |
| add(x11, x10, x4); // a3 = a2 + a_stride |
| add(x14, x17, x7); // c3 = c2 + cm_stride |
| csel(x11, x10, x11, kLO); // a3 = a2 |
| csel(x14, x17, x14, kLO); // c3 = c2 |
| |
| stp(d14, d15, mem[sp, 48]); |
| add(x12, x11, x4); // a4 = a3 + a_stride |
| add(x13, x14, x7); // c4 = c3 + cm_stride |
| // if mr <= 4 |
| csel(x12, x11, x12, kLS); // a4 = a3 |
| csel(x13, x14, x13, kLS); // c4 = c3 |
| |
| cmp(x0, 6); // if mr < 6 |
| add(x4, x12, x4); // a5 = a4 + a_stride |
| add(x7, x13, x7); // c5 = c4 + cm_stride |
| csel(x4, x12, x4, kLO); // a5 = a4 |
| csel(x7, x13, x7, kLO); // c5 = c4 |
| |
| bind(l0); |
| // Load initial bias from w into accumulators |
| ldp(q20, q21, mem[x5], 32); |
| mov(v22.v16b(), v20.v16b()); |
| if (prefetch) { |
| prfm(kPLDL1KEEP, mem[x5, 0]); // Prefetch B |
| } |
| mov(v23.v16b(), v21.v16b()); |
| if (prefetch) { |
| prfm(kPLDL1KEEP, mem[x5, 64]); |
| } |
| mov(v24.v16b(), v20.v16b()); |
| if (prefetch) { |
| prfm(kPLDL1KEEP, mem[x5, 128]); |
| } |
| mov(v25.v16b(), v21.v16b()); |
| if (prefetch) { |
| prfm(kPLDL1KEEP, mem[x5, 192]); |
| } |
| mov(v26.v16b(), v20.v16b()); |
| if (prefetch) { |
| prfm(kPLDL1KEEP, mem[x3]); // Prefetch A |
| } |
| mov(v27.v16b(), v21.v16b()); |
| if (prefetch) { |
| prfm(kPLDL1KEEP, mem[x9]); |
| } |
| mov(v28.v16b(), v20.v16b()); |
| if (prefetch) { |
| prfm(kPLDL1KEEP, mem[x10]); |
| } |
| mov(v29.v16b(), v21.v16b()); |
| if (prefetch) { |
| prfm(kPLDL1KEEP, mem[x11]); |
| } |
| mov(v30.v16b(), v20.v16b()); |
| if (prefetch) { |
| prfm(kPLDL1KEEP, mem[x12]); |
| } |
| mov(v31.v16b(), v21.v16b()); |
| if (prefetch) { |
| prfm(kPLDL1KEEP, mem[x4]); |
| } |
| |
| // Is there at least 8 floats (32 bytes) for prologue + epilogue? |
| subs(x0, x2, 32); // k = kc - 32 |
| b_lo(l4); |
| |
| // Prologue - loads for main loop of 96 FMA |
| ldr(q0, mem[x3], 16); |
| ldr(q1, mem[x9], 16); |
| ldr(q2, mem[x10], 16); |
| ldr(q3, mem[x11], 16); |
| ldr(q4, mem[x12], 16); |
| ldr(q5, mem[x4], 16); |
| ldp(q12, q13, mem[x5], 32); // Fetch 3 B (4th deferred) |
| ldp(q14, q15, mem[x5], 32); |
| ldp(q16, q17, mem[x5], 32); |
| |
| // Is there at least 8 floats (32 bytes) for main loop? |
| subs(x0, x0, 32); |
| b_lo(l2); |
| |
| // Main loop - 8 floats of A (32 bytes) |
| // 96 FMA + 6 LDP A + 8 LDP B |
| bind(l1); |
| // First group of 4 A. 48 FMA. |
| fmla(v20.v4s(), v12.v4s(), v0.s()[0]); |
| ldp(q18, q19, mem[x5], 32); // Load last B |
| fmla(v22.v4s(), v12.v4s(), v1.s()[0]); |
| fmla(v24.v4s(), v12.v4s(), v2.s()[0]); |
| fmla(v26.v4s(), v12.v4s(), v3.s()[0]); |
| fmla(v28.v4s(), v12.v4s(), v4.s()[0]); |
| fmla(v30.v4s(), v12.v4s(), v5.s()[0]); |
| fmla(v21.v4s(), v13.v4s(), v0.s()[0]); |
| fmla(v23.v4s(), v13.v4s(), v1.s()[0]); |
| fmla(v25.v4s(), v13.v4s(), v2.s()[0]); |
| fmla(v27.v4s(), v13.v4s(), v3.s()[0]); |
| fmla(v29.v4s(), v13.v4s(), v4.s()[0]); |
| |
| fmla(v31.v4s(), v13.v4s(), v5.s()[0]); |
| fmla(v20.v4s(), v14.v4s(), v0.s()[1]); |
| if (prefetch) { |
| prfm(kPLDL1KEEP, mem[x5, 128]); // Prefetch B |
| } |
| fmla(v22.v4s(), v14.v4s(), v1.s()[1]); |
| fmla(v24.v4s(), v14.v4s(), v2.s()[1]); |
| fmla(v26.v4s(), v14.v4s(), v3.s()[1]); |
| fmla(v28.v4s(), v14.v4s(), v4.s()[1]); |
| if (prefetch) { |
| prfm(kPLDL1KEEP, mem[x5, 256]); |
| } |
| fmla(v30.v4s(), v14.v4s(), v5.s()[1]); |
| fmla(v21.v4s(), v15.v4s(), v0.s()[1]); |
| fmla(v23.v4s(), v15.v4s(), v1.s()[1]); |
| fmla(v25.v4s(), v15.v4s(), v2.s()[1]); |
| ldr(q6, mem[x3], 16); // Load next 6 A |
| fmla(v27.v4s(), v15.v4s(), v3.s()[1]); |
| fmla(v29.v4s(), v15.v4s(), v4.s()[1]); |
| fmla(v31.v4s(), v15.v4s(), v5.s()[1]); |
| ldr(q7, mem[x9], 16); |
| |
| fmla(v20.v4s(), v16.v4s(), v0.s()[2]); |
| fmla(v22.v4s(), v16.v4s(), v1.s()[2]); |
| fmla(v24.v4s(), v16.v4s(), v2.s()[2]); |
| ldr(q8, mem[x10], 16); |
| fmla(v26.v4s(), v16.v4s(), v3.s()[2]); |
| fmla(v28.v4s(), v16.v4s(), v4.s()[2]); |
| fmla(v30.v4s(), v16.v4s(), v5.s()[2]); |
| ldr(q9, mem[x11], 16); |
| fmla(v21.v4s(), v17.v4s(), v0.s()[2]); |
| fmla(v23.v4s(), v17.v4s(), v1.s()[2]); |
| fmla(v25.v4s(), v17.v4s(), v2.s()[2]); |
| ldr(q10, mem[x12], 16); |
| fmla(v27.v4s(), v17.v4s(), v3.s()[2]); |
| fmla(v29.v4s(), v17.v4s(), v4.s()[2]); |
| fmla(v31.v4s(), v17.v4s(), v5.s()[2]); |
| ldr(q11, mem[x4], 16); |
| |
| fmla(v20.v4s(), v18.v4s(), v0.s()[3]); |
| fmla(v22.v4s(), v18.v4s(), v1.s()[3]); |
| fmla(v24.v4s(), v18.v4s(), v2.s()[3]); |
| ldp(q12, q13, mem[x5], 32); // Load 4 B |
| fmla(v26.v4s(), v18.v4s(), v3.s()[3]); |
| fmla(v28.v4s(), v18.v4s(), v4.s()[3]); |
| fmla(v30.v4s(), v18.v4s(), v5.s()[3]); |
| ldp(q14, q15, mem[x5], 32); |
| fmla(v21.v4s(), v19.v4s(), v0.s()[3]); |
| fmla(v23.v4s(), v19.v4s(), v1.s()[3]); |
| fmla(v25.v4s(), v19.v4s(), v2.s()[3]); |
| ldp(q16, q17, mem[x5], 32); |
| fmla(v27.v4s(), v19.v4s(), v3.s()[3]); |
| fmla(v29.v4s(), v19.v4s(), v4.s()[3]); |
| fmla(v31.v4s(), v19.v4s(), v5.s()[3]); |
| ldp(q18, q19, mem[x5], 32); |
| |
| // Second group of 4 A. 48 FMA. |
| fmla(v20.v4s(), v12.v4s(), v6.s()[0]); |
| fmla(v22.v4s(), v12.v4s(), v7.s()[0]); |
| fmla(v24.v4s(), v12.v4s(), v8.s()[0]); |
| ldr(q0, mem[x3], 16); // Load next 6 A |
| fmla(v26.v4s(), v12.v4s(), v9.s()[0]); |
| fmla(v28.v4s(), v12.v4s(), v10.s()[0]); |
| fmla(v30.v4s(), v12.v4s(), v11.s()[0]); |
| ldr(q1, mem[x9], 16); |
| fmla(v21.v4s(), v13.v4s(), v6.s()[0]); |
| fmla(v23.v4s(), v13.v4s(), v7.s()[0]); |
| fmla(v25.v4s(), v13.v4s(), v8.s()[0]); |
| ldr(q2, mem[x10], 16); |
| fmla(v27.v4s(), v13.v4s(), v9.s()[0]); |
| fmla(v29.v4s(), v13.v4s(), v10.s()[0]); |
| fmla(v31.v4s(), v13.v4s(), v11.s()[0]); |
| ldr(q3, mem[x11], 16); |
| |
| fmla(v20.v4s(), v14.v4s(), v6.s()[1]); |
| fmla(v22.v4s(), v14.v4s(), v7.s()[1]); |
| fmla(v24.v4s(), v14.v4s(), v8.s()[1]); |
| ldr(q4, mem[x12], 16); |
| fmla(v26.v4s(), v14.v4s(), v9.s()[1]); |
| fmla(v28.v4s(), v14.v4s(), v10.s()[1]); |
| fmla(v30.v4s(), v14.v4s(), v11.s()[1]); |
| ldr(q5, mem[x4], 16); |
| fmla(v21.v4s(), v15.v4s(), v6.s()[1]); |
| fmla(v23.v4s(), v15.v4s(), v7.s()[1]); |
| fmla(v25.v4s(), v15.v4s(), v8.s()[1]); |
| ldp(q12, q13, mem[x5], 32); // Load next 3 B (not last) |
| fmla(v27.v4s(), v15.v4s(), v9.s()[1]); |
| fmla(v29.v4s(), v15.v4s(), v10.s()[1]); |
| fmla(v31.v4s(), v15.v4s(), v11.s()[1]); |
| ldp(q14, q15, mem[x5], 32); |
| |
| fmla(v20.v4s(), v16.v4s(), v6.s()[2]); |
| fmla(v22.v4s(), v16.v4s(), v7.s()[2]); |
| fmla(v24.v4s(), v16.v4s(), v8.s()[2]); |
| fmla(v26.v4s(), v16.v4s(), v9.s()[2]); |
| fmla(v28.v4s(), v16.v4s(), v10.s()[2]); |
| fmla(v30.v4s(), v16.v4s(), v11.s()[2]); |
| fmla(v21.v4s(), v17.v4s(), v6.s()[2]); |
| fmla(v23.v4s(), v17.v4s(), v7.s()[2]); |
| fmla(v25.v4s(), v17.v4s(), v8.s()[2]); |
| fmla(v27.v4s(), v17.v4s(), v9.s()[2]); |
| fmla(v29.v4s(), v17.v4s(), v10.s()[2]); |
| fmla(v31.v4s(), v17.v4s(), v11.s()[2]); |
| ldp(q16, q17, mem[x5], 32); |
| |
| fmla(v20.v4s(), v18.v4s(), v6.s()[3]); |
| fmla(v22.v4s(), v18.v4s(), v7.s()[3]); |
| subs(x0, x0, 32); |
| fmla(v24.v4s(), v18.v4s(), v8.s()[3]); |
| fmla(v26.v4s(), v18.v4s(), v9.s()[3]); |
| fmla(v28.v4s(), v18.v4s(), v10.s()[3]); |
| fmla(v30.v4s(), v18.v4s(), v11.s()[3]); |
| fmla(v21.v4s(), v19.v4s(), v6.s()[3]); |
| fmla(v23.v4s(), v19.v4s(), v7.s()[3]); |
| fmla(v25.v4s(), v19.v4s(), v8.s()[3]); |
| fmla(v27.v4s(), v19.v4s(), v9.s()[3]); |
| fmla(v29.v4s(), v19.v4s(), v10.s()[3]); |
| fmla(v31.v4s(), v19.v4s(), v11.s()[3]); |
| b_hs(l1); |
| |
| // Epilogue - 8 floats of A (32 bytes) |
| // 96 FMA + 6 LDP A + 8 LDP B |
| // First block same as main loop. Second block has no preloads. |
| bind(l2); |
| // First group of 4 A. 48 FMA. |
| fmla(v20.v4s(), v12.v4s(), v0.s()[0]); |
| ldp(q18, q19, mem[x5], 32); // Load last B |
| fmla(v22.v4s(), v12.v4s(), v1.s()[0]); |
| fmla(v24.v4s(), v12.v4s(), v2.s()[0]); |
| fmla(v26.v4s(), v12.v4s(), v3.s()[0]); |
| fmla(v28.v4s(), v12.v4s(), v4.s()[0]); |
| fmla(v30.v4s(), v12.v4s(), v5.s()[0]); |
| fmla(v21.v4s(), v13.v4s(), v0.s()[0]); |
| fmla(v23.v4s(), v13.v4s(), v1.s()[0]); |
| fmla(v25.v4s(), v13.v4s(), v2.s()[0]); |
| fmla(v27.v4s(), v13.v4s(), v3.s()[0]); |
| fmla(v29.v4s(), v13.v4s(), v4.s()[0]); |
| |
| fmla(v31.v4s(), v13.v4s(), v5.s()[0]); |
| fmla(v20.v4s(), v14.v4s(), v0.s()[1]); |
| if (prefetch) { |
| prfm(kPLDL1KEEP, mem[x5, 128]); // Prefetch B |
| } |
| fmla(v22.v4s(), v14.v4s(), v1.s()[1]); |
| fmla(v24.v4s(), v14.v4s(), v2.s()[1]); |
| fmla(v26.v4s(), v14.v4s(), v3.s()[1]); |
| fmla(v28.v4s(), v14.v4s(), v4.s()[1]); |
| if (prefetch) { |
| prfm(kPLDL1KEEP, mem[x5, 256]); |
| } |
| fmla(v30.v4s(), v14.v4s(), v5.s()[1]); |
| fmla(v21.v4s(), v15.v4s(), v0.s()[1]); |
| fmla(v23.v4s(), v15.v4s(), v1.s()[1]); |
| fmla(v25.v4s(), v15.v4s(), v2.s()[1]); |
| ldr(q6, mem[x3], 16); // Load next 6 A |
| fmla(v27.v4s(), v15.v4s(), v3.s()[1]); |
| fmla(v29.v4s(), v15.v4s(), v4.s()[1]); |
| fmla(v31.v4s(), v15.v4s(), v5.s()[1]); |
| ldr(q7, mem[x9], 16); |
| |
| fmla(v20.v4s(), v16.v4s(), v0.s()[2]); |
| fmla(v22.v4s(), v16.v4s(), v1.s()[2]); |
| fmla(v24.v4s(), v16.v4s(), v2.s()[2]); |
| ldr(q8, mem[x10], 16); |
| fmla(v26.v4s(), v16.v4s(), v3.s()[2]); |
| fmla(v28.v4s(), v16.v4s(), v4.s()[2]); |
| fmla(v30.v4s(), v16.v4s(), v5.s()[2]); |
| ldr(q9, mem[x11], 16); |
| fmla(v21.v4s(), v17.v4s(), v0.s()[2]); |
| fmla(v23.v4s(), v17.v4s(), v1.s()[2]); |
| fmla(v25.v4s(), v17.v4s(), v2.s()[2]); |
| ldr(q10, mem[x12], 16); |
| fmla(v27.v4s(), v17.v4s(), v3.s()[2]); |
| fmla(v29.v4s(), v17.v4s(), v4.s()[2]); |
| fmla(v31.v4s(), v17.v4s(), v5.s()[2]); |
| ldr(q11, mem[x4], 16); |
| |
| fmla(v20.v4s(), v18.v4s(), v0.s()[3]); |
| fmla(v22.v4s(), v18.v4s(), v1.s()[3]); |
| fmla(v24.v4s(), v18.v4s(), v2.s()[3]); |
| ldp(q12, q13, mem[x5], 32); // Load 4 B |
| fmla(v26.v4s(), v18.v4s(), v3.s()[3]); |
| fmla(v28.v4s(), v18.v4s(), v4.s()[3]); |
| fmla(v30.v4s(), v18.v4s(), v5.s()[3]); |
| ldp(q14, q15, mem[x5], 32); |
| fmla(v21.v4s(), v19.v4s(), v0.s()[3]); |
| fmla(v23.v4s(), v19.v4s(), v1.s()[3]); |
| fmla(v25.v4s(), v19.v4s(), v2.s()[3]); |
| ldp(q16, q17, mem[x5], 32); |
| fmla(v27.v4s(), v19.v4s(), v3.s()[3]); |
| fmla(v29.v4s(), v19.v4s(), v4.s()[3]); |
| fmla(v31.v4s(), v19.v4s(), v5.s()[3]); |
| ldp(q18, q19, mem[x5], 32); |
| |
| // Second group of 4 A. 48 FMA. |
| fmla(v20.v4s(), v12.v4s(), v6.s()[0]); |
| fmla(v22.v4s(), v12.v4s(), v7.s()[0]); |
| fmla(v24.v4s(), v12.v4s(), v8.s()[0]); |
| fmla(v26.v4s(), v12.v4s(), v9.s()[0]); |
| fmla(v28.v4s(), v12.v4s(), v10.s()[0]); |
| fmla(v30.v4s(), v12.v4s(), v11.s()[0]); |
| fmla(v21.v4s(), v13.v4s(), v6.s()[0]); |
| fmla(v23.v4s(), v13.v4s(), v7.s()[0]); |
| fmla(v25.v4s(), v13.v4s(), v8.s()[0]); |
| fmla(v27.v4s(), v13.v4s(), v9.s()[0]); |
| fmla(v29.v4s(), v13.v4s(), v10.s()[0]); |
| fmla(v31.v4s(), v13.v4s(), v11.s()[0]); |
| |
| fmla(v20.v4s(), v14.v4s(), v6.s()[1]); |
| fmla(v22.v4s(), v14.v4s(), v7.s()[1]); |
| fmla(v24.v4s(), v14.v4s(), v8.s()[1]); |
| fmla(v26.v4s(), v14.v4s(), v9.s()[1]); |
| fmla(v28.v4s(), v14.v4s(), v10.s()[1]); |
| fmla(v30.v4s(), v14.v4s(), v11.s()[1]); |
| fmla(v21.v4s(), v15.v4s(), v6.s()[1]); |
| fmla(v23.v4s(), v15.v4s(), v7.s()[1]); |
| fmla(v25.v4s(), v15.v4s(), v8.s()[1]); |
| fmla(v27.v4s(), v15.v4s(), v9.s()[1]); |
| fmla(v29.v4s(), v15.v4s(), v10.s()[1]); |
| fmla(v31.v4s(), v15.v4s(), v11.s()[1]); |
| |
| fmla(v20.v4s(), v16.v4s(), v6.s()[2]); |
| fmla(v22.v4s(), v16.v4s(), v7.s()[2]); |
| fmla(v24.v4s(), v16.v4s(), v8.s()[2]); |
| fmla(v26.v4s(), v16.v4s(), v9.s()[2]); |
| fmla(v28.v4s(), v16.v4s(), v10.s()[2]); |
| fmla(v30.v4s(), v16.v4s(), v11.s()[2]); |
| fmla(v21.v4s(), v17.v4s(), v6.s()[2]); |
| fmla(v23.v4s(), v17.v4s(), v7.s()[2]); |
| fmla(v25.v4s(), v17.v4s(), v8.s()[2]); |
| fmla(v27.v4s(), v17.v4s(), v9.s()[2]); |
| fmla(v29.v4s(), v17.v4s(), v10.s()[2]); |
| fmla(v31.v4s(), v17.v4s(), v11.s()[2]); |
| |
| fmla(v20.v4s(), v18.v4s(), v6.s()[3]); |
| fmla(v22.v4s(), v18.v4s(), v7.s()[3]); |
| fmla(v24.v4s(), v18.v4s(), v8.s()[3]); |
| fmla(v26.v4s(), v18.v4s(), v9.s()[3]); |
| fmla(v28.v4s(), v18.v4s(), v10.s()[3]); |
| fmla(v30.v4s(), v18.v4s(), v11.s()[3]); |
| fmla(v21.v4s(), v19.v4s(), v6.s()[3]); |
| fmla(v23.v4s(), v19.v4s(), v7.s()[3]); |
| |
| // Load min/max values |
| if (clamp_min || clamp_max) { |
| ld2r({v6.v4s(), v7.v4s()}, mem[x8]); |
| } |
| |
| fmla(v25.v4s(), v19.v4s(), v8.s()[3]); |
| fmla(v27.v4s(), v19.v4s(), v9.s()[3]); |
| // Is there a remainder?- 4 floats of A (16 bytes) or less |
| tst(x0, 31); |
| fmla(v29.v4s(), v19.v4s(), v10.s()[3]); |
| fmla(v31.v4s(), v19.v4s(), v11.s()[3]); |
| b_ne(l4); |
| |
| // Clamp |
| bind(l3); |
| // Load cn_stride |
| ldr(x0, mem[sp, 64]); |
| subs(x1, x1, 8); |
| if (clamp_min) { |
| fmax(v20.v4s(), v20.v4s(), v6.v4s()); |
| fmax(v21.v4s(), v21.v4s(), v6.v4s()); |
| fmax(v22.v4s(), v22.v4s(), v6.v4s()); |
| fmax(v23.v4s(), v23.v4s(), v6.v4s()); |
| fmax(v24.v4s(), v24.v4s(), v6.v4s()); |
| fmax(v25.v4s(), v25.v4s(), v6.v4s()); |
| fmax(v26.v4s(), v26.v4s(), v6.v4s()); |
| fmax(v27.v4s(), v27.v4s(), v6.v4s()); |
| fmax(v28.v4s(), v28.v4s(), v6.v4s()); |
| fmax(v29.v4s(), v29.v4s(), v6.v4s()); |
| fmax(v30.v4s(), v30.v4s(), v6.v4s()); |
| fmax(v31.v4s(), v31.v4s(), v6.v4s()); |
| } |
| if (clamp_max) { |
| fmin(v20.v4s(), v20.v4s(), v7.v4s()); |
| fmin(v21.v4s(), v21.v4s(), v7.v4s()); |
| fmin(v22.v4s(), v22.v4s(), v7.v4s()); |
| fmin(v23.v4s(), v23.v4s(), v7.v4s()); |
| fmin(v24.v4s(), v24.v4s(), v7.v4s()); |
| fmin(v25.v4s(), v25.v4s(), v7.v4s()); |
| fmin(v26.v4s(), v26.v4s(), v7.v4s()); |
| fmin(v27.v4s(), v27.v4s(), v7.v4s()); |
| fmin(v28.v4s(), v28.v4s(), v7.v4s()); |
| fmin(v29.v4s(), v29.v4s(), v7.v4s()); |
| fmin(v30.v4s(), v30.v4s(), v7.v4s()); |
| fmin(v31.v4s(), v31.v4s(), v7.v4s()); |
| } |
| |
| // Store full 6 x 8 |
| b_lo(l7); |
| |
| stp(q20, q21, mem[x6]); |
| add(x6, x6, x0); |
| sub(x3, x3, x2); // a0 -= kc |
| stp(q22, q23, mem[x16]); |
| add(x16, x16, x0); |
| sub(x9, x9, x2); // a1 -= kc |
| stp(q24, q25, mem[x17]); |
| add(x17, x17, x0); |
| sub(x10, x10, x2); // a2 -= kc |
| stp(q26, q27, mem[x14]); |
| add(x14, x14, x0); |
| sub(x11, x11, x2); // a3 -= kc |
| stp(q28, q29, mem[x13]); |
| add(x13, x13, x0); |
| sub(x12, x12, x2); // a4 -= kc |
| stp(q30, q31, mem[x7]); |
| add(x7, x7, x0); |
| sub(x4, x4, x2); // a5 -= kc |
| |
| b_hi(l0); |
| |
| // Restore d8-d15 from stack |
| ldp(d14, d15, mem[sp, 48]); |
| ldp(d12, d13, mem[sp, 32]); |
| ldp(d10, d11, mem[sp, 16]); |
| ldp(d8, d9, mem[sp], 64); |
| ret(); |
| |
| bind(l4); |
| // Load min/max values |
| ld2r({v6.v4s(), v7.v4s()}, mem[x8]); |
| |
| // Is there a remainder?- 4 floats of A (16 bytes) |
| tbz(x0, 4, l5); |
| |
| // Remainder- 4 floats of A (16 bytes) |
| // Load A |
| ldr(q0, mem[x3], 16); |
| ldr(q1, mem[x9], 16); |
| ldr(q2, mem[x10], 16); |
| ldr(q3, mem[x11], 16); |
| ldr(q4, mem[x12], 16); |
| ldr(q5, mem[x4], 16); |
| // Load B |
| ldp(q12, q13, mem[x5], 32); |
| ldp(q14, q15, mem[x5], 32); |
| ldp(q16, q17, mem[x5], 32); |
| ldp(q18, q19, mem[x5], 32); |
| |
| fmla(v20.v4s(), v12.v4s(), v0.s()[0]); |
| fmla(v22.v4s(), v12.v4s(), v1.s()[0]); |
| fmla(v24.v4s(), v12.v4s(), v2.s()[0]); |
| fmla(v26.v4s(), v12.v4s(), v3.s()[0]); |
| fmla(v28.v4s(), v12.v4s(), v4.s()[0]); |
| fmla(v30.v4s(), v12.v4s(), v5.s()[0]); |
| fmla(v21.v4s(), v13.v4s(), v0.s()[0]); |
| fmla(v23.v4s(), v13.v4s(), v1.s()[0]); |
| fmla(v25.v4s(), v13.v4s(), v2.s()[0]); |
| fmla(v27.v4s(), v13.v4s(), v3.s()[0]); |
| fmla(v29.v4s(), v13.v4s(), v4.s()[0]); |
| fmla(v31.v4s(), v13.v4s(), v5.s()[0]); |
| |
| fmla(v20.v4s(), v14.v4s(), v0.s()[1]); |
| fmla(v22.v4s(), v14.v4s(), v1.s()[1]); |
| fmla(v24.v4s(), v14.v4s(), v2.s()[1]); |
| fmla(v26.v4s(), v14.v4s(), v3.s()[1]); |
| fmla(v28.v4s(), v14.v4s(), v4.s()[1]); |
| fmla(v30.v4s(), v14.v4s(), v5.s()[1]); |
| fmla(v21.v4s(), v15.v4s(), v0.s()[1]); |
| fmla(v23.v4s(), v15.v4s(), v1.s()[1]); |
| fmla(v25.v4s(), v15.v4s(), v2.s()[1]); |
| fmla(v27.v4s(), v15.v4s(), v3.s()[1]); |
| fmla(v29.v4s(), v15.v4s(), v4.s()[1]); |
| fmla(v31.v4s(), v15.v4s(), v5.s()[1]); |
| |
| fmla(v20.v4s(), v16.v4s(), v0.s()[2]); |
| fmla(v22.v4s(), v16.v4s(), v1.s()[2]); |
| fmla(v24.v4s(), v16.v4s(), v2.s()[2]); |
| fmla(v26.v4s(), v16.v4s(), v3.s()[2]); |
| fmla(v28.v4s(), v16.v4s(), v4.s()[2]); |
| fmla(v30.v4s(), v16.v4s(), v5.s()[2]); |
| fmla(v21.v4s(), v17.v4s(), v0.s()[2]); |
| fmla(v23.v4s(), v17.v4s(), v1.s()[2]); |
| fmla(v25.v4s(), v17.v4s(), v2.s()[2]); |
| fmla(v27.v4s(), v17.v4s(), v3.s()[2]); |
| fmla(v29.v4s(), v17.v4s(), v4.s()[2]); |
| fmla(v31.v4s(), v17.v4s(), v5.s()[2]); |
| |
| fmla(v20.v4s(), v18.v4s(), v0.s()[3]); |
| fmla(v22.v4s(), v18.v4s(), v1.s()[3]); |
| fmla(v24.v4s(), v18.v4s(), v2.s()[3]); |
| fmla(v26.v4s(), v18.v4s(), v3.s()[3]); |
| fmla(v28.v4s(), v18.v4s(), v4.s()[3]); |
| fmla(v30.v4s(), v18.v4s(), v5.s()[3]); |
| fmla(v21.v4s(), v19.v4s(), v0.s()[3]); |
| fmla(v23.v4s(), v19.v4s(), v1.s()[3]); |
| fmla(v25.v4s(), v19.v4s(), v2.s()[3]); |
| fmla(v27.v4s(), v19.v4s(), v3.s()[3]); |
| fmla(v29.v4s(), v19.v4s(), v4.s()[3]); |
| fmla(v31.v4s(), v19.v4s(), v5.s()[3]); |
| |
| // Is there a remainder?- 2 floats of A (8 bytes) |
| bind(l5); |
| tbz(x0, 3, l6); |
| |
| // Remainder- 2 floats of A (8 bytes) |
| // Load A |
| ldr(d0, mem[x3], 8); |
| ldr(d1, mem[x9], 8); |
| ldr(d2, mem[x10], 8); |
| ldr(d3, mem[x11], 8); |
| ldr(d4, mem[x12], 8); |
| ldr(d5, mem[x4], 8); |
| // Load B |
| ldp(q12, q13, mem[x5], 32); |
| ldp(q14, q15, mem[x5], 32); |
| |
| fmla(v20.v4s(), v12.v4s(), v0.s()[0]); |
| fmla(v22.v4s(), v12.v4s(), v1.s()[0]); |
| fmla(v24.v4s(), v12.v4s(), v2.s()[0]); |
| fmla(v26.v4s(), v12.v4s(), v3.s()[0]); |
| fmla(v28.v4s(), v12.v4s(), v4.s()[0]); |
| fmla(v30.v4s(), v12.v4s(), v5.s()[0]); |
| fmla(v21.v4s(), v13.v4s(), v0.s()[0]); |
| fmla(v23.v4s(), v13.v4s(), v1.s()[0]); |
| fmla(v25.v4s(), v13.v4s(), v2.s()[0]); |
| fmla(v27.v4s(), v13.v4s(), v3.s()[0]); |
| fmla(v29.v4s(), v13.v4s(), v4.s()[0]); |
| fmla(v31.v4s(), v13.v4s(), v5.s()[0]); |
| |
| fmla(v20.v4s(), v14.v4s(), v0.s()[1]); |
| fmla(v22.v4s(), v14.v4s(), v1.s()[1]); |
| fmla(v24.v4s(), v14.v4s(), v2.s()[1]); |
| fmla(v26.v4s(), v14.v4s(), v3.s()[1]); |
| fmla(v28.v4s(), v14.v4s(), v4.s()[1]); |
| fmla(v30.v4s(), v14.v4s(), v5.s()[1]); |
| fmla(v21.v4s(), v15.v4s(), v0.s()[1]); |
| fmla(v23.v4s(), v15.v4s(), v1.s()[1]); |
| fmla(v25.v4s(), v15.v4s(), v2.s()[1]); |
| fmla(v27.v4s(), v15.v4s(), v3.s()[1]); |
| fmla(v29.v4s(), v15.v4s(), v4.s()[1]); |
| fmla(v31.v4s(), v15.v4s(), v5.s()[1]); |
| |
| // Is there a remainder?- 1 float of A (4 bytes) |
| bind(l6); |
| tbz(x0, 2, l3); |
| |
| // Remainder- 1 float of A (4 bytes) |
| // Load A |
| ldr(s0, mem[x3], 4); |
| ldr(s1, mem[x9], 4); |
| ldr(s2, mem[x10], 4); |
| ldr(s3, mem[x11], 4); |
| ldr(s4, mem[x12], 4); |
| ldr(s5, mem[x4], 4); |
| // Load B |
| ldp(q12, q13, mem[x5], 32); |
| |
| fmla(v20.v4s(), v12.v4s(), v0.s()[0]); |
| fmla(v22.v4s(), v12.v4s(), v1.s()[0]); |
| fmla(v24.v4s(), v12.v4s(), v2.s()[0]); |
| fmla(v26.v4s(), v12.v4s(), v3.s()[0]); |
| fmla(v28.v4s(), v12.v4s(), v4.s()[0]); |
| fmla(v30.v4s(), v12.v4s(), v5.s()[0]); |
| fmla(v21.v4s(), v13.v4s(), v0.s()[0]); |
| fmla(v23.v4s(), v13.v4s(), v1.s()[0]); |
| fmla(v25.v4s(), v13.v4s(), v2.s()[0]); |
| fmla(v27.v4s(), v13.v4s(), v3.s()[0]); |
| fmla(v29.v4s(), v13.v4s(), v4.s()[0]); |
| fmla(v31.v4s(), v13.v4s(), v5.s()[0]); |
| b(l3); |
| |
| // Store odd width |
| bind(l7); |
| tbz(x1, 2, l8); |
| str(q20, mem[x6], 16); |
| mov(v20.v16b(), v21.v16b()); |
| str(q22, mem[x16], 16); |
| mov(v22.v16b(), v23.v16b()); |
| str(q24, mem[x17], 16); |
| mov(v24.v16b(), v25.v16b()); |
| str(q26, mem[x14], 16); |
| mov(v26.v16b(), v27.v16b()); |
| str(q28, mem[x13], 16); |
| mov(v28.v16b(), v29.v16b()); |
| str(q30, mem[x7], 16); |
| mov(v30.v16b(), v31.v16b()); |
| bind(l8); |
| tbz(x1, 1, l9); |
| str(d20, mem[x6], 8); |
| str(d22, mem[x16], 8); |
| dup(d20, v20.d()[1]); |
| dup(d22, v22.d()[1]); |
| str(d24, mem[x17], 8); |
| str(d26, mem[x14], 8); |
| dup(d24, v24.d()[1]); |
| dup(d26, v26.d()[1]); |
| str(d28, mem[x13], 8); |
| str(d30, mem[x7], 8); |
| dup(d28, v28.d()[1]); |
| dup(d30, v30.d()[1]); |
| |
| bind(l9); |
| tbz(x1, 0, l10); |
| str(s20, mem[x6]); |
| str(s22, mem[x16]); |
| str(s24, mem[x17]); |
| str(s26, mem[x14]); |
| str(s28, mem[x13]); |
| str(s30, mem[x7]); |
| bind(l10); |
| // Restore d8-d15 from stack |
| ldp(d14, d15, mem[sp, 48]); |
| ldp(d12, d13, mem[sp, 32]); |
| ldp(d10, d11, mem[sp, 16]); |
| ldp(d8, d9, mem[sp], 64); |
| ret(); |
| |
| |
| } |
| } // namespace |
| } // aarch64 |
| } // xnnpack |
| |
| xnn_status xnn_generate_f32_gemm_ukernel_6x8__aarch64_neonfma_cortex_a75(xnn_code_buffer* code, size_t nc, size_t kc, const void* params) { |
| using namespace xnnpack::aarch64; |
| Generator g(code); |
| assert(params != nullptr); |
| const jit_gemm_params* gemm_params = static_cast<const jit_gemm_params*>(params); |
| g.generate(false, nc, kc, gemm_params->f32_minmax.min, gemm_params->f32_minmax.max); |
| g.finalize(); |
| if (g.error() != xnnpack::Error::kNoError) { |
| return xnn_status_invalid_state; |
| } |
| return xnn_status_success; |
| } |
| |
| xnn_status xnn_generate_f32_gemm_ukernel_6x8__aarch64_neonfma_prfm_cortex_a75(xnn_code_buffer* code, size_t nc, size_t kc, const void* params) { |
| using namespace xnnpack::aarch64; |
| Generator g(code); |
| assert(params != nullptr); |
| const jit_gemm_params* gemm_params = static_cast<const jit_gemm_params*>(params); |
| g.generate(true, nc, kc, gemm_params->f32_minmax.min, gemm_params->f32_minmax.max); |
| g.finalize(); |
| if (g.error() != xnnpack::Error::kNoError) { |
| return xnn_status_invalid_state; |
| } |
| return xnn_status_success; |
| } |