xref: /aosp_15_r20/external/gemmlowp/internal/kernel_sse.h (revision 5f39d1b313f0528e11bae88b3029b54b9e1033e7)
1*5f39d1b3SJooyung Han // Copyright 2015 The Gemmlowp Authors. All Rights Reserved.
2*5f39d1b3SJooyung Han //
3*5f39d1b3SJooyung Han // Licensed under the Apache License, Version 2.0 (the "License");
4*5f39d1b3SJooyung Han // you may not use this file except in compliance with the License.
5*5f39d1b3SJooyung Han // You may obtain a copy of the License at
6*5f39d1b3SJooyung Han //
7*5f39d1b3SJooyung Han //     http://www.apache.org/licenses/LICENSE-2.0
8*5f39d1b3SJooyung Han //
9*5f39d1b3SJooyung Han // Unless required by applicable law or agreed to in writing, software
10*5f39d1b3SJooyung Han // distributed under the License is distributed on an "AS IS" BASIS,
11*5f39d1b3SJooyung Han // WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
12*5f39d1b3SJooyung Han // See the License for the specific language governing permissions and
13*5f39d1b3SJooyung Han // limitations under the License.
14*5f39d1b3SJooyung Han 
15*5f39d1b3SJooyung Han // kernel_SSE.h: a collection of Intel SSE optimized kernels.
16*5f39d1b3SJooyung Han // Check in kernel_default.h which one(s) are actually used by default.
17*5f39d1b3SJooyung Han // Others are mere experiments; they are still covered by tests
18*5f39d1b3SJooyung Han // in case they might be useful some day.
19*5f39d1b3SJooyung Han //
20*5f39d1b3SJooyung Han 
21*5f39d1b3SJooyung Han #ifndef GEMMLOWP_INTERNAL_KERNEL_SSE_H_
22*5f39d1b3SJooyung Han #define GEMMLOWP_INTERNAL_KERNEL_SSE_H_
23*5f39d1b3SJooyung Han 
24*5f39d1b3SJooyung Han #include "kernel.h"
25*5f39d1b3SJooyung Han 
26*5f39d1b3SJooyung Han #include <string.h>
27*5f39d1b3SJooyung Han #include <cassert>
28*5f39d1b3SJooyung Han 
29*5f39d1b3SJooyung Han namespace gemmlowp {
30*5f39d1b3SJooyung Han 
31*5f39d1b3SJooyung Han #ifdef GEMMLOWP_SSE4_32
32*5f39d1b3SJooyung Han struct SSE4_32_Kernel4x4Depth2 : KernelBase {
33*5f39d1b3SJooyung Han   typedef KernelFormat<
34*5f39d1b3SJooyung Han       KernelSideFormat<CellFormat<4, 2, CellOrder::WidthMajor>, 1>,
35*5f39d1b3SJooyung Han       KernelSideFormat<CellFormat<4, 2, CellOrder::WidthMajor>, 1> >
36*5f39d1b3SJooyung Han       Format;
37*5f39d1b3SJooyung Han 
NameSSE4_32_Kernel4x4Depth238*5f39d1b3SJooyung Han   const char* Name() const override { return "SSE, 4x4, depth 2"; }
39*5f39d1b3SJooyung Han 
RunSSE4_32_Kernel4x4Depth240*5f39d1b3SJooyung Han   void Run(std::int32_t* dst_ptr, std::size_t dst_row_stride,
41*5f39d1b3SJooyung Han            std::size_t dst_col_stride, const std::uint8_t* lhs_ptr,
42*5f39d1b3SJooyung Han            const std::uint8_t* rhs_ptr, std::size_t start_depth,
43*5f39d1b3SJooyung Han            std::size_t run_depth) const override {
44*5f39d1b3SJooyung Han     ScopedProfilingLabel label("optimized kernel");
45*5f39d1b3SJooyung Han     assert(dst_row_stride == 1);
46*5f39d1b3SJooyung Han     (void)dst_row_stride;
47*5f39d1b3SJooyung Han     std::int32_t run_depth_cells = run_depth / Format::kDepth;
48*5f39d1b3SJooyung Han     /* Main loop */
49*5f39d1b3SJooyung Han 
50*5f39d1b3SJooyung Han     // A 2x4 cell of Rhs is stored in 16bit in xmm1 .
51*5f39d1b3SJooyung Han     // A 4x2 block Lhs is stored in 16bit in xmm0.
52*5f39d1b3SJooyung Han     // A 4x4 block of accumulators is stored in 32bit in xmm4--xmm7.
53*5f39d1b3SJooyung Han     //
54*5f39d1b3SJooyung Han     //                   +-------+-------+-------+-------+
55*5f39d1b3SJooyung Han     //                   |xmm1[0]|xmm1[2]|xmm1[4]|xmm1[6]|
56*5f39d1b3SJooyung Han     //              Rhs  +-------+---------------+-------+
57*5f39d1b3SJooyung Han     //                   |xmm1[1]|xmm1[3]|xmm1[5]|xmm1[7]|
58*5f39d1b3SJooyung Han     //                   +-------+-------+-------+-------+
59*5f39d1b3SJooyung Han     //
60*5f39d1b3SJooyung Han     //                   |       |       |       |       |
61*5f39d1b3SJooyung Han     //
62*5f39d1b3SJooyung Han     //    Lhs            |       |       |       |       |
63*5f39d1b3SJooyung Han     //
64*5f39d1b3SJooyung Han     //  +--+--+ - - - -  +-------+-------+-------+-------+
65*5f39d1b3SJooyung Han     //  |xmm0 |          | xmm4  | xmm5  | xmm6  | xmm7  |
66*5f39d1b3SJooyung Han     //  |xmm0 | (Iter1)  | xmm4  | xmm5  | xmm6  | xmm7  |
67*5f39d1b3SJooyung Han     //  |xmm0 |          | xmm4  | xmm5  | xmm6  | xmm7  |
68*5f39d1b3SJooyung Han     //  |xmm0 |          | xmm4  | xmm5  | xmm6  | xmm7  |
69*5f39d1b3SJooyung Han     //  +--+--+ - - - -  +-------+-------+-------+-------+
70*5f39d1b3SJooyung Han     //
71*5f39d1b3SJooyung Han     //                              Accumulator
72*5f39d1b3SJooyung Han 
73*5f39d1b3SJooyung Han     asm volatile(
74*5f39d1b3SJooyung Han 
75*5f39d1b3SJooyung Han         // set accumulators to zero.
76*5f39d1b3SJooyung Han         "pxor %%xmm4  , %%xmm4 \n\t"
77*5f39d1b3SJooyung Han         "pxor %%xmm5  , %%xmm5 \n\t"
78*5f39d1b3SJooyung Han         "pxor %%xmm6  , %%xmm6 \n\t"
79*5f39d1b3SJooyung Han         "pxor %%xmm7  , %%xmm7 \n\t"
80*5f39d1b3SJooyung Han 
81*5f39d1b3SJooyung Han         "movl  %[run_depth_cells], %%eax\n\t"
82*5f39d1b3SJooyung Han         "subl $2, %%eax\n\t"
83*5f39d1b3SJooyung Han         "js outerLoop1%=\n\t"
84*5f39d1b3SJooyung Han 
85*5f39d1b3SJooyung Han         // Loop for K unrolled by 4
86*5f39d1b3SJooyung Han         "outerLoop2%=:\n\t"
87*5f39d1b3SJooyung Han 
88*5f39d1b3SJooyung Han         // K = 1,2
89*5f39d1b3SJooyung Han         // RHS cell to xmm1
90*5f39d1b3SJooyung Han         "pmovzxbw (%[rhs_ptr]), %%xmm1\n\t"
91*5f39d1b3SJooyung Han 
92*5f39d1b3SJooyung Han         // LHS cell
93*5f39d1b3SJooyung Han         "pmovzxbw 0x00(%[lhs_ptr]), %%xmm0\n\t"
94*5f39d1b3SJooyung Han         "pshufd $0x00,%%xmm1,%%xmm2     \n\t"
95*5f39d1b3SJooyung Han         "pshufd $0x55,%%xmm1,%%xmm3     \n\t"
96*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
97*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
98*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm4           \n\t"
99*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm5           \n\t"
100*5f39d1b3SJooyung Han 
101*5f39d1b3SJooyung Han         "prefetcht0 0x80(%[lhs_ptr]) \n\t"
102*5f39d1b3SJooyung Han 
103*5f39d1b3SJooyung Han         "pshufd $0xaa,%%xmm1,%%xmm2     \n\t"
104*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
105*5f39d1b3SJooyung Han         "pshufd $0xff,%%xmm1,%%xmm3     \n\t"
106*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
107*5f39d1b3SJooyung Han 
108*5f39d1b3SJooyung Han         "prefetcht0 0x80(%[rhs_ptr]) \n\t"
109*5f39d1b3SJooyung Han 
110*5f39d1b3SJooyung Han         // K = 3,4
111*5f39d1b3SJooyung Han         // RHS cell to xmm1
112*5f39d1b3SJooyung Han         "pmovzxbw 0x08(%[rhs_ptr]), %%xmm1\n\t"
113*5f39d1b3SJooyung Han 
114*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm6           \n\t"
115*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm7           \n\t"
116*5f39d1b3SJooyung Han 
117*5f39d1b3SJooyung Han         // LHS cell
118*5f39d1b3SJooyung Han         "pmovzxbw 0x08(%[lhs_ptr]), %%xmm0\n\t"
119*5f39d1b3SJooyung Han         "pshufd $0x00,%%xmm1,%%xmm2     \n\t"
120*5f39d1b3SJooyung Han         "pshufd $0x55,%%xmm1,%%xmm3     \n\t"
121*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
122*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
123*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm4           \n\t"
124*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm5           \n\t"
125*5f39d1b3SJooyung Han         "pshufd $0xaa,%%xmm1,%%xmm2     \n\t"
126*5f39d1b3SJooyung Han         "pshufd $0xff,%%xmm1,%%xmm3     \n\t"
127*5f39d1b3SJooyung Han 
128*5f39d1b3SJooyung Han         "addl $0x10, %[lhs_ptr]         \n\t"
129*5f39d1b3SJooyung Han         "addl $0x10, %[rhs_ptr]         \n\t"
130*5f39d1b3SJooyung Han 
131*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
132*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm7           \n\t"
133*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
134*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm6           \n\t"
135*5f39d1b3SJooyung Han 
136*5f39d1b3SJooyung Han         "subl $2, %[run_depth_cells]\n\t"
137*5f39d1b3SJooyung Han         "ja outerLoop2%=\n\t"
138*5f39d1b3SJooyung Han 
139*5f39d1b3SJooyung Han         "movl %[run_depth_cells], %%eax\n\t"
140*5f39d1b3SJooyung Han         "decl %%eax\n\t"
141*5f39d1b3SJooyung Han         "js finish%=\n\t"
142*5f39d1b3SJooyung Han 
143*5f39d1b3SJooyung Han         // Loop for K unrolled by 2
144*5f39d1b3SJooyung Han         "outerLoop1%=:\n\t"
145*5f39d1b3SJooyung Han 
146*5f39d1b3SJooyung Han         // RHS cell to xmm1
147*5f39d1b3SJooyung Han         "pmovzxbw (%[rhs_ptr]), %%xmm1\n\t"
148*5f39d1b3SJooyung Han 
149*5f39d1b3SJooyung Han         // LHS cell
150*5f39d1b3SJooyung Han         "pmovzxbw 0x00(%[lhs_ptr]), %%xmm0\n\t"
151*5f39d1b3SJooyung Han         "pshufd $0x00,%%xmm1,%%xmm2     \n\t"
152*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
153*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm4           \n\t"
154*5f39d1b3SJooyung Han         "pshufd $0x55,%%xmm1,%%xmm3     \n\t"
155*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
156*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm5           \n\t"
157*5f39d1b3SJooyung Han 
158*5f39d1b3SJooyung Han         "pshufd $0xaa,%%xmm1,%%xmm2     \n\t"
159*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
160*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm6           \n\t"
161*5f39d1b3SJooyung Han         "pshufd $0xff,%%xmm1,%%xmm3     \n\t"
162*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
163*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm7           \n\t"
164*5f39d1b3SJooyung Han 
165*5f39d1b3SJooyung Han         "addl $0x08, %[lhs_ptr]\n\t"
166*5f39d1b3SJooyung Han         "addl $0x08, %[rhs_ptr]\n\t"
167*5f39d1b3SJooyung Han 
168*5f39d1b3SJooyung Han         "decl %[run_depth_cells]\n\t"
169*5f39d1b3SJooyung Han         "jnz outerLoop1%=\n\t"
170*5f39d1b3SJooyung Han 
171*5f39d1b3SJooyung Han         "finish%=:\n\t"
172*5f39d1b3SJooyung Han 
173*5f39d1b3SJooyung Han         "movl  %[dst_col_stride], %%eax\n\t"
174*5f39d1b3SJooyung Han         "shll $2, %%eax\n\t"
175*5f39d1b3SJooyung Han 
176*5f39d1b3SJooyung Han         "movl  %[start_depth], %%ecx\n\t"
177*5f39d1b3SJooyung Han         "test %%ecx, %%ecx\n\t"
178*5f39d1b3SJooyung Han         "jz storeDst%=\n\t"
179*5f39d1b3SJooyung Han 
180*5f39d1b3SJooyung Han         "leal (%%eax,%%eax,0x2), %%ecx\n\t"
181*5f39d1b3SJooyung Han         "paddd 0x00(%[dst_ptr])           , %%xmm4 \n\t"
182*5f39d1b3SJooyung Han         "paddd 0x00(%[dst_ptr], %%eax, 1) , %%xmm5 \n\t"
183*5f39d1b3SJooyung Han         "paddd 0x00(%[dst_ptr], %%eax, 2) , %%xmm6 \n\t"
184*5f39d1b3SJooyung Han         "paddd 0x00(%[dst_ptr], %%ecx, 1) , %%xmm7 \n\t"
185*5f39d1b3SJooyung Han 
186*5f39d1b3SJooyung Han         "storeDst%=:\n\t"
187*5f39d1b3SJooyung Han 
188*5f39d1b3SJooyung Han         "leal (%%eax,%%eax,0x2), %%ecx\n\t"
189*5f39d1b3SJooyung Han         "movdqu %%xmm4  , 0x00(%[dst_ptr])          \n\t"
190*5f39d1b3SJooyung Han         "movdqu %%xmm5  , 0x00(%[dst_ptr], %%eax, 1)\n\t"
191*5f39d1b3SJooyung Han         "movdqu %%xmm6  , 0x00(%[dst_ptr], %%eax, 2)\n\t"
192*5f39d1b3SJooyung Han         "movdqu %%xmm7  , 0x00(%[dst_ptr], %%ecx, 1)\n\t"
193*5f39d1b3SJooyung Han 
194*5f39d1b3SJooyung Han         :  // outputs
195*5f39d1b3SJooyung Han         [lhs_ptr] "+r"(lhs_ptr), [rhs_ptr] "+r"(rhs_ptr),
196*5f39d1b3SJooyung Han         [dst_ptr] "+r"(dst_ptr)
197*5f39d1b3SJooyung Han         :  // inputs
198*5f39d1b3SJooyung Han         [start_depth] "g"(start_depth), [dst_col_stride] "g"(dst_col_stride),
199*5f39d1b3SJooyung Han         [run_depth_cells] "g"(run_depth_cells)
200*5f39d1b3SJooyung Han         :  // clobbers
201*5f39d1b3SJooyung Han         "cc", "memory", "%xmm0", "%xmm1", "%xmm3", "%xmm2", "%xmm4", "%xmm5",
202*5f39d1b3SJooyung Han         "%xmm6", "%xmm7", "%eax", "%ecx");
203*5f39d1b3SJooyung Han   }
204*5f39d1b3SJooyung Han };
205*5f39d1b3SJooyung Han #endif
206*5f39d1b3SJooyung Han #ifdef GEMMLOWP_SSE4_64
207*5f39d1b3SJooyung Han struct SSE4_64_Kernel12x4Depth2 : KernelBase {
208*5f39d1b3SJooyung Han   typedef KernelFormat<
209*5f39d1b3SJooyung Han       KernelSideFormat<CellFormat<4, 2, CellOrder::WidthMajor>, 3>,
210*5f39d1b3SJooyung Han       KernelSideFormat<CellFormat<4, 2, CellOrder::WidthMajor>, 1> >
211*5f39d1b3SJooyung Han       Format;
212*5f39d1b3SJooyung Han 
NameSSE4_64_Kernel12x4Depth2213*5f39d1b3SJooyung Han   const char* Name() const override { return "SSE, 12x4, depth 2"; }
214*5f39d1b3SJooyung Han 
RunSSE4_64_Kernel12x4Depth2215*5f39d1b3SJooyung Han   void Run(std::int32_t* dst_ptr, std::size_t dst_row_stride,
216*5f39d1b3SJooyung Han            std::size_t dst_col_stride, const std::uint8_t* lhs_ptr,
217*5f39d1b3SJooyung Han            const std::uint8_t* rhs_ptr, std::size_t start_depth,
218*5f39d1b3SJooyung Han            std::size_t run_depth) const override {
219*5f39d1b3SJooyung Han     ScopedProfilingLabel label("optimized kernel");
220*5f39d1b3SJooyung Han     assert(dst_row_stride == 1);
221*5f39d1b3SJooyung Han     (void)dst_row_stride;
222*5f39d1b3SJooyung Han     const std::int64_t run_depth_cells = run_depth / Format::kDepth;
223*5f39d1b3SJooyung Han     const std::int64_t dst_col_stride_q = dst_col_stride;
224*5f39d1b3SJooyung Han 
225*5f39d1b3SJooyung Han     /* Main loop */
226*5f39d1b3SJooyung Han 
227*5f39d1b3SJooyung Han     // A 2x4 cell of Rhs is stored in 16bit in xmm1 .
228*5f39d1b3SJooyung Han     // A 12x2 block of 3 4x2 cells Lhs is stored in 16bit in xmm0, replaced
229*5f39d1b3SJooyung Han     // every Iteration.
230*5f39d1b3SJooyung Han     // A 12x4 block of accumulators is stored in 32bit in xmm4--xmm15.
231*5f39d1b3SJooyung Han     //
232*5f39d1b3SJooyung Han     //                   +-------+-------+-------+-------+
233*5f39d1b3SJooyung Han     //                   |xmm1[0]|xmm1[2]|xmm1[4]|xmm1[6]|
234*5f39d1b3SJooyung Han     //              Rhs  +-------+---------------+-------+
235*5f39d1b3SJooyung Han     //                   |xmm1[1]|xmm1[3]|xmm1[5]|xmm1[7]|
236*5f39d1b3SJooyung Han     //                   +-------+-------+-------+-------+
237*5f39d1b3SJooyung Han     //
238*5f39d1b3SJooyung Han     //                   |       |       |       |       |
239*5f39d1b3SJooyung Han     //
240*5f39d1b3SJooyung Han     //    Lhs            |       |       |       |       |
241*5f39d1b3SJooyung Han     //
242*5f39d1b3SJooyung Han     //  +--+--+ - - - -  +-------+-------+-------+-------+
243*5f39d1b3SJooyung Han     //  |xmm0 |          | xmm4  | xmm5  | xmm6  | xmm7  |
244*5f39d1b3SJooyung Han     //  |xmm0 | (Iter1)  | xmm4  | xmm5  | xmm6  | xmm7  |
245*5f39d1b3SJooyung Han     //  |xmm0 |          | xmm4  | xmm5  | xmm6  | xmm7  |
246*5f39d1b3SJooyung Han     //  |xmm0 |          | xmm4  | xmm5  | xmm6  | xmm7  |
247*5f39d1b3SJooyung Han     //  +--+--+ - - - -  +-------+-------+-------+-------+
248*5f39d1b3SJooyung Han     //  |xmm0 |          | xmm8  | xmm9  | xmm10 | xmm11 |
249*5f39d1b3SJooyung Han     //  |xmm0 | (Iter2)  | xmm8  | xmm9  | xmm10 | xmm11 |
250*5f39d1b3SJooyung Han     //  |xmm0 |          | xmm8  | xmm9  | xmm10 | xmm11 |
251*5f39d1b3SJooyung Han     //  |xmm0 |          | xmm8  | xmm9  | xmm10 | xmm11 |
252*5f39d1b3SJooyung Han     //  +--+--+ - - - -  +-------+-------+-------+-------+
253*5f39d1b3SJooyung Han     //  |xmm0 |          | xmm12 | xmm13 | xmm14 | xmm15 |
254*5f39d1b3SJooyung Han     //  |xmm0 | (Iter3)  | xmm12 | xmm13 | xmm14 | xmm15 |
255*5f39d1b3SJooyung Han     //  |xmm0 |          | xmm12 | xmm13 | xmm14 | xmm15 |
256*5f39d1b3SJooyung Han     //  |xmm0 |          | xmm12 | xmm13 | xmm14 | xmm15 |
257*5f39d1b3SJooyung Han     //  +--+--+ - - - -  +-------+-------+-------+-------+
258*5f39d1b3SJooyung Han     //
259*5f39d1b3SJooyung Han     //                              Accumulator
260*5f39d1b3SJooyung Han 
261*5f39d1b3SJooyung Han     asm volatile(
262*5f39d1b3SJooyung Han 
263*5f39d1b3SJooyung Han         // Set registers for destination
264*5f39d1b3SJooyung Han         "movq  %[dst_col_stride_q], %%r12\n\t"
265*5f39d1b3SJooyung Han         "shlq $2, %%r12\n\t"
266*5f39d1b3SJooyung Han         "leaq (%%r12,%%r12,0x2), %%r13\n\t"
267*5f39d1b3SJooyung Han 
268*5f39d1b3SJooyung Han         // Set accumulators to zero.
269*5f39d1b3SJooyung Han         "pxor %%xmm4  , %%xmm4 \n\t"
270*5f39d1b3SJooyung Han         "pxor %%xmm5  , %%xmm5 \n\t"
271*5f39d1b3SJooyung Han         "pxor %%xmm6  , %%xmm6 \n\t"
272*5f39d1b3SJooyung Han         "pxor %%xmm7  , %%xmm7 \n\t"
273*5f39d1b3SJooyung Han         "pxor %%xmm8  , %%xmm8 \n\t"
274*5f39d1b3SJooyung Han         "pxor %%xmm9  , %%xmm9 \n\t"
275*5f39d1b3SJooyung Han         "pxor %%xmm10 , %%xmm10\n\t"
276*5f39d1b3SJooyung Han         "pxor %%xmm11 , %%xmm11\n\t"
277*5f39d1b3SJooyung Han         "pxor %%xmm12 , %%xmm12\n\t"
278*5f39d1b3SJooyung Han         "pxor %%xmm13 , %%xmm13\n\t"
279*5f39d1b3SJooyung Han         "pxor %%xmm14 , %%xmm14\n\t"
280*5f39d1b3SJooyung Han         "pxor %%xmm15 , %%xmm15\n\t"
281*5f39d1b3SJooyung Han 
282*5f39d1b3SJooyung Han         "movq  %[run_depth_cells], %%r14\n\t"
283*5f39d1b3SJooyung Han         "subq $2, %%r14\n\t"
284*5f39d1b3SJooyung Han         "js outerLoop1%=\n\t"
285*5f39d1b3SJooyung Han 
286*5f39d1b3SJooyung Han         // Loop for K unrolled by 4
287*5f39d1b3SJooyung Han         "outerLoop2%=:\n\t"
288*5f39d1b3SJooyung Han 
289*5f39d1b3SJooyung Han         // K = 1,2
290*5f39d1b3SJooyung Han         // RHS cell to xmm1
291*5f39d1b3SJooyung Han 
292*5f39d1b3SJooyung Han         "pmovzxbw (%[rhs_ptr]), %%xmm1\n\t"
293*5f39d1b3SJooyung Han 
294*5f39d1b3SJooyung Han         // LHS cell
295*5f39d1b3SJooyung Han         "pmovzxbw 0x00(%[lhs_ptr]), %%xmm0\n\t"
296*5f39d1b3SJooyung Han         "pshufd $0x00,%%xmm1,%%xmm2     \n\t"
297*5f39d1b3SJooyung Han         "pshufd $0x55,%%xmm1,%%xmm3     \n\t"
298*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
299*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
300*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm4           \n\t"
301*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm5           \n\t"
302*5f39d1b3SJooyung Han 
303*5f39d1b3SJooyung Han         "prefetcht0 0x80(%[lhs_ptr]) \n\t"
304*5f39d1b3SJooyung Han 
305*5f39d1b3SJooyung Han         "pshufd $0xaa,%%xmm1,%%xmm2     \n\t"
306*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
307*5f39d1b3SJooyung Han         "pshufd $0xff,%%xmm1,%%xmm3     \n\t"
308*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
309*5f39d1b3SJooyung Han 
310*5f39d1b3SJooyung Han         // next LHS cell
311*5f39d1b3SJooyung Han         "pmovzxbw 0x08(%[lhs_ptr]), %%xmm0\n\t"
312*5f39d1b3SJooyung Han 
313*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm6           \n\t"
314*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm7           \n\t"
315*5f39d1b3SJooyung Han 
316*5f39d1b3SJooyung Han         "pshufd $0x00,%%xmm1,%%xmm2     \n\t"
317*5f39d1b3SJooyung Han         "pshufd $0x55,%%xmm1,%%xmm3     \n\t"
318*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
319*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
320*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm8           \n\t"
321*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm9           \n\t"
322*5f39d1b3SJooyung Han 
323*5f39d1b3SJooyung Han         "prefetcht0 0x80(%[rhs_ptr]) \n\t"
324*5f39d1b3SJooyung Han 
325*5f39d1b3SJooyung Han         "pshufd $0xaa,%%xmm1,%%xmm2     \n\t"
326*5f39d1b3SJooyung Han         "pshufd $0xff,%%xmm1,%%xmm3     \n\t"
327*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
328*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
329*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm10          \n\t"
330*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm11          \n\t"
331*5f39d1b3SJooyung Han 
332*5f39d1b3SJooyung Han         // next LHS cell
333*5f39d1b3SJooyung Han         "pmovzxbw 0x10(%[lhs_ptr]), %%xmm0\n\t"
334*5f39d1b3SJooyung Han         "pshufd $0x00,%%xmm1,%%xmm2     \n\t"
335*5f39d1b3SJooyung Han         "pshufd $0x55,%%xmm1,%%xmm3     \n\t"
336*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
337*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
338*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm12          \n\t"
339*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm13          \n\t"
340*5f39d1b3SJooyung Han 
341*5f39d1b3SJooyung Han         "pshufd $0xaa,%%xmm1,%%xmm2     \n\t"
342*5f39d1b3SJooyung Han         "pshufd $0xff,%%xmm1,%%xmm3     \n\t"
343*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
344*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
345*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm14          \n\t"
346*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm15          \n\t"
347*5f39d1b3SJooyung Han 
348*5f39d1b3SJooyung Han         // K = 3,4
349*5f39d1b3SJooyung Han         // RHS cell to xmm1
350*5f39d1b3SJooyung Han         "pmovzxbw 0x08(%[rhs_ptr]), %%xmm1\n\t"
351*5f39d1b3SJooyung Han 
352*5f39d1b3SJooyung Han         // LHS cell
353*5f39d1b3SJooyung Han         "pmovzxbw 0x18(%[lhs_ptr]), %%xmm0\n\t"
354*5f39d1b3SJooyung Han         "pshufd $0x00,%%xmm1,%%xmm2     \n\t"
355*5f39d1b3SJooyung Han         "pshufd $0x55,%%xmm1,%%xmm3     \n\t"
356*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
357*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
358*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm4           \n\t"
359*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm5           \n\t"
360*5f39d1b3SJooyung Han 
361*5f39d1b3SJooyung Han         "pshufd $0xaa,%%xmm1,%%xmm2     \n\t"
362*5f39d1b3SJooyung Han         "pshufd $0xff,%%xmm1,%%xmm3     \n\t"
363*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
364*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
365*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm6           \n\t"
366*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm7           \n\t"
367*5f39d1b3SJooyung Han 
368*5f39d1b3SJooyung Han         // next LHS cell
369*5f39d1b3SJooyung Han         "pmovzxbw 0x20(%[lhs_ptr]), %%xmm0\n\t"
370*5f39d1b3SJooyung Han         "pshufd $0x00,%%xmm1,%%xmm2     \n\t"
371*5f39d1b3SJooyung Han         "pshufd $0x55,%%xmm1,%%xmm3     \n\t"
372*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
373*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
374*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm8           \n\t"
375*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm9           \n\t"
376*5f39d1b3SJooyung Han 
377*5f39d1b3SJooyung Han         "pshufd $0xaa,%%xmm1,%%xmm2     \n\t"
378*5f39d1b3SJooyung Han         "pshufd $0xff,%%xmm1,%%xmm3     \n\t"
379*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
380*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
381*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm10          \n\t"
382*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm11          \n\t"
383*5f39d1b3SJooyung Han 
384*5f39d1b3SJooyung Han         // next LHS cell
385*5f39d1b3SJooyung Han         "pmovzxbw 0x28(%[lhs_ptr]), %%xmm0\n\t"
386*5f39d1b3SJooyung Han 
387*5f39d1b3SJooyung Han         "addq $0x30, %[lhs_ptr]         \n\t"
388*5f39d1b3SJooyung Han         "addq $0x10, %[rhs_ptr]         \n\t"
389*5f39d1b3SJooyung Han 
390*5f39d1b3SJooyung Han         "pshufd $0x00,%%xmm1,%%xmm2     \n\t"
391*5f39d1b3SJooyung Han         "pshufd $0x55,%%xmm1,%%xmm3     \n\t"
392*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
393*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
394*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm12          \n\t"
395*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm13          \n\t"
396*5f39d1b3SJooyung Han 
397*5f39d1b3SJooyung Han         "pshufd $0xaa,%%xmm1,%%xmm2     \n\t"
398*5f39d1b3SJooyung Han         "pshufd $0xff,%%xmm1,%%xmm3     \n\t"
399*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
400*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
401*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm14          \n\t"
402*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm15          \n\t"
403*5f39d1b3SJooyung Han 
404*5f39d1b3SJooyung Han         "subq $2, %[run_depth_cells]\n\t"
405*5f39d1b3SJooyung Han         "ja outerLoop2%=\n\t"
406*5f39d1b3SJooyung Han 
407*5f39d1b3SJooyung Han         "movq %[run_depth_cells], %%r14\n\t"
408*5f39d1b3SJooyung Han         "decq %%r14\n\t"
409*5f39d1b3SJooyung Han         "js finish%=\n\t"
410*5f39d1b3SJooyung Han 
411*5f39d1b3SJooyung Han         // Loop for K unrolled by 2
412*5f39d1b3SJooyung Han         "outerLoop1%=:\n\t"
413*5f39d1b3SJooyung Han 
414*5f39d1b3SJooyung Han         // RHS cell to xmm1
415*5f39d1b3SJooyung Han         "pmovzxbw (%[rhs_ptr]), %%xmm1\n\t"
416*5f39d1b3SJooyung Han 
417*5f39d1b3SJooyung Han         // LHS cell
418*5f39d1b3SJooyung Han         "pmovzxbw 0x00(%[lhs_ptr]), %%xmm0\n\t"
419*5f39d1b3SJooyung Han         "pshufd $0x00,%%xmm1,%%xmm2     \n\t"
420*5f39d1b3SJooyung Han         "pshufd $0x55,%%xmm1,%%xmm3     \n\t"
421*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
422*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
423*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm4           \n\t"
424*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm5           \n\t"
425*5f39d1b3SJooyung Han         "pshufd $0xaa,%%xmm1,%%xmm2     \n\t"
426*5f39d1b3SJooyung Han         "pshufd $0xff,%%xmm1,%%xmm3     \n\t"
427*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
428*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
429*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm6           \n\t"
430*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm7           \n\t"
431*5f39d1b3SJooyung Han 
432*5f39d1b3SJooyung Han         // next LHS cell
433*5f39d1b3SJooyung Han         "pmovzxbw 0x08(%[lhs_ptr]), %%xmm0\n\t"
434*5f39d1b3SJooyung Han         "pshufd $0x00,%%xmm1,%%xmm2     \n\t"
435*5f39d1b3SJooyung Han         "pshufd $0x55,%%xmm1,%%xmm3     \n\t"
436*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
437*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
438*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm8           \n\t"
439*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm9           \n\t"
440*5f39d1b3SJooyung Han         "pshufd $0xaa,%%xmm1,%%xmm2     \n\t"
441*5f39d1b3SJooyung Han         "pshufd $0xff,%%xmm1,%%xmm3     \n\t"
442*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
443*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
444*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm10          \n\t"
445*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm11          \n\t"
446*5f39d1b3SJooyung Han 
447*5f39d1b3SJooyung Han         // next LHS cell
448*5f39d1b3SJooyung Han         "pmovzxbw 0x10(%[lhs_ptr]), %%xmm0\n\t"
449*5f39d1b3SJooyung Han 
450*5f39d1b3SJooyung Han         "addq $0x18, %[lhs_ptr]         \n\t"
451*5f39d1b3SJooyung Han         "addq $0x08, %[rhs_ptr]         \n\t"
452*5f39d1b3SJooyung Han 
453*5f39d1b3SJooyung Han         "pshufd $0x00,%%xmm1,%%xmm2     \n\t"
454*5f39d1b3SJooyung Han         "pshufd $0x55,%%xmm1,%%xmm3     \n\t"
455*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
456*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
457*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm12          \n\t"
458*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm13          \n\t"
459*5f39d1b3SJooyung Han         "pshufd $0xaa,%%xmm1,%%xmm2     \n\t"
460*5f39d1b3SJooyung Han         "pshufd $0xff,%%xmm1,%%xmm3     \n\t"
461*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm2         \n\t"
462*5f39d1b3SJooyung Han         "pmaddwd %%xmm0, %%xmm3         \n\t"
463*5f39d1b3SJooyung Han         "paddd %%xmm2, %%xmm14          \n\t"
464*5f39d1b3SJooyung Han         "paddd %%xmm3, %%xmm15          \n\t"
465*5f39d1b3SJooyung Han 
466*5f39d1b3SJooyung Han         "decq %[run_depth_cells]\n\t"
467*5f39d1b3SJooyung Han         "jnz outerLoop1%=\n\t"
468*5f39d1b3SJooyung Han 
469*5f39d1b3SJooyung Han         "finish%=:\n\t"
470*5f39d1b3SJooyung Han 
471*5f39d1b3SJooyung Han         "test %[start_depth], %[start_depth]\n\t"
472*5f39d1b3SJooyung Han         "jz storeDst%=\n\t"
473*5f39d1b3SJooyung Han 
474*5f39d1b3SJooyung Han         "paddd 0x00(%[dst_ptr])           , %%xmm4 \n\t"
475*5f39d1b3SJooyung Han         "paddd 0x10(%[dst_ptr])           , %%xmm8 \n\t"
476*5f39d1b3SJooyung Han         "paddd 0x20(%[dst_ptr])           , %%xmm12\n\t"
477*5f39d1b3SJooyung Han         "paddd 0x00(%[dst_ptr], %%r12, 1) , %%xmm5 \n\t"
478*5f39d1b3SJooyung Han         "paddd 0x10(%[dst_ptr], %%r12, 1) , %%xmm9 \n\t"
479*5f39d1b3SJooyung Han         "paddd 0x20(%[dst_ptr], %%r12, 1) , %%xmm13\n\t"
480*5f39d1b3SJooyung Han         "paddd 0x00(%[dst_ptr], %%r12, 2) , %%xmm6 \n\t"
481*5f39d1b3SJooyung Han         "paddd 0x10(%[dst_ptr], %%r12, 2) , %%xmm10\n\t"
482*5f39d1b3SJooyung Han         "paddd 0x20(%[dst_ptr], %%r12, 2) , %%xmm14\n\t"
483*5f39d1b3SJooyung Han         "paddd 0x00(%[dst_ptr], %%r13, 1) , %%xmm7 \n\t"
484*5f39d1b3SJooyung Han         "paddd 0x10(%[dst_ptr], %%r13, 1) , %%xmm11\n\t"
485*5f39d1b3SJooyung Han         "paddd 0x20(%[dst_ptr], %%r13, 1) , %%xmm15\n\t"
486*5f39d1b3SJooyung Han 
487*5f39d1b3SJooyung Han         "storeDst%=:\n\t"
488*5f39d1b3SJooyung Han 
489*5f39d1b3SJooyung Han         "movdqu %%xmm4  , 0x00(%[dst_ptr])          \n\t"
490*5f39d1b3SJooyung Han         "movdqu %%xmm8  , 0x10(%[dst_ptr])          \n\t"
491*5f39d1b3SJooyung Han         "movdqu %%xmm12 , 0x20(%[dst_ptr])          \n\t"
492*5f39d1b3SJooyung Han         "movdqu %%xmm5  , 0x00(%[dst_ptr], %%r12, 1)\n\t"
493*5f39d1b3SJooyung Han         "movdqu %%xmm9  , 0x10(%[dst_ptr], %%r12, 1)\n\t"
494*5f39d1b3SJooyung Han         "movdqu %%xmm13 , 0x20(%[dst_ptr], %%r12, 1)\n\t"
495*5f39d1b3SJooyung Han         "movdqu %%xmm6  , 0x00(%[dst_ptr], %%r12, 2)\n\t"
496*5f39d1b3SJooyung Han         "movdqu %%xmm10 , 0x10(%[dst_ptr], %%r12, 2)\n\t"
497*5f39d1b3SJooyung Han         "movdqu %%xmm14 , 0x20(%[dst_ptr], %%r12, 2)\n\t"
498*5f39d1b3SJooyung Han         "movdqu %%xmm7  , 0x00(%[dst_ptr], %%r13, 1)\n\t"
499*5f39d1b3SJooyung Han         "movdqu %%xmm11 , 0x10(%[dst_ptr], %%r13, 1)\n\t"
500*5f39d1b3SJooyung Han         "movdqu %%xmm15 , 0x20(%[dst_ptr], %%r13, 1)\n\t"
501*5f39d1b3SJooyung Han 
502*5f39d1b3SJooyung Han         :  // outputs
503*5f39d1b3SJooyung Han         [lhs_ptr] "+r"(lhs_ptr), [rhs_ptr] "+r"(rhs_ptr),
504*5f39d1b3SJooyung Han         [dst_ptr] "+r"(dst_ptr)
505*5f39d1b3SJooyung Han         :  // inputs
506*5f39d1b3SJooyung Han         [start_depth] "r"(start_depth),
507*5f39d1b3SJooyung Han         [dst_col_stride_q] "r"(dst_col_stride_q),
508*5f39d1b3SJooyung Han         [run_depth_cells] "r"(run_depth_cells)
509*5f39d1b3SJooyung Han         :  // clobbers
510*5f39d1b3SJooyung Han         "cc", "memory", "%xmm0", "%xmm1", "%xmm3", "%xmm2", "%xmm4", "%xmm5",
511*5f39d1b3SJooyung Han         "%xmm6", "%xmm7", "%xmm8", "%xmm9", "%xmm10", "%r12", "%r13", "%r14",
512*5f39d1b3SJooyung Han         "%xmm11", "%xmm12", "%xmm13", "%xmm14", "%xmm15");
513*5f39d1b3SJooyung Han   }
514*5f39d1b3SJooyung Han };
515*5f39d1b3SJooyung Han #endif
516*5f39d1b3SJooyung Han 
517*5f39d1b3SJooyung Han }  // namespace gemmlowp
518*5f39d1b3SJooyung Han 
519*5f39d1b3SJooyung Han #endif  // GEMMLOWP_INTERNAL_KERNEL_SSE_H_
520