// Copyright 2019 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 .syntax unified // void xnn_f32_igemm_minmax_ukernel_4x8__aarch32_neon_${"pld_" if PREFETCH else ""}cortex_a75( // size_t mr, r0 // size_t nc, r1 // size_t kc, r2 -> r5 -> sp + 68 // size_t ks, r3 -> sp + 72 -> r14 // const float**restrict a, sp + 112 -> r2 // const void*restrict w, sp + 116 -> r9 // uint8_t*restrict c, sp + 120 -> r11 // size_t cm_stride, sp + 124 -> (r6) // size_t cn_stride, sp + 128 -> (r7) // size_t a_offset, sp + 132 -> (r5) // const float* zero, sp + 136 -> (r7) // minmax_params*params, sp + 140 -> (r5) // inner loop registers // A0 r3 d0 // A1 r12 d1 // A2 r10 d2 // A3 r0 d3 // B r9 d8, d9, d10, d11 // B d12, d13, d14, d15 // C0 r11 d16-d17 q8 d18-d19 q9 // C1 r4 d20-d21 q10 d22-d23 q11 // C2 r8 d24-d25 q12 d26-d27 q13 // C3 r6 d28-d29 q14 d30-d31 q15 // Clamp (r5) d4 d5 d6 d7 BEGIN_FUNCTION xnn_f32_igemm_minmax_ukernel_4x8__aarch32_neon_${"pld_" if PREFETCH else ""}cortex_a75 .arm #ifndef __APPLE__ .arch armv7-a .fpu neon #endif // Push 112 bytes // r2 will be reloaded in outer loop. r3 is ks PUSH {r2, r3, r4, r5, r6, r7, r8, r9, r10, r11, r14} // +44 SUB sp, sp, 4 // 4 VPUSH {d8-d15} // +64 = 112 LDR r11, [sp, 120] // c LDR r6, [sp, 124] // cm_stride LDR r2, [sp, 112] // a LDR r9, [sp, 116] // w MOV r14, r3 // p = ks // Clamp C pointers CMP r0, 2 // if mr >= 2 ADD r4, r11, r6 // c1 = c0 + cm_stride MOVLO r4, r11 // c1 // if mr > 2 ADD r8, r4, r6 // c2 = c1 + cm_stride MOVLS r8, r4 // c2 CMP r0, 4 // if mr >=4 ADD r6, r8, r6 // c3 = c2 + cm_stride MOVLO r6, r8 // c3 .p2align 3 0: # Load initial bias from w into accumulators VLDM r9!, {d16-d19} // Bias VMOV q10, q8 VMOV q11, q9 VMOV q12, q8 VMOV q13, q9 VMOV q14, q8 VMOV q15, q9 $if PREFETCH: PLD [r9, 0] // Prefetch B PLD [r9, 64] PLD [r9, 128] PLD [r9, 192] PLD [r9, 256] PLD [r9, 320] PLD [r9, 384] 1: # Load next 4 A pointers LDR r3, [r2, 0] LDR r12, [r2, 4] LDR r10, [r2, 8] LDR r0, [r2, 12] ADD r2, r2, 16 // Add a_offset LDR r5, [sp, 132] // a_offset LDR r7, [sp, 136] // zero CMP r3, r7 // if a0 == zero ADD r3, r3, r5 // a0 += a_offset MOVEQ r3, r7 // a0 = zero, else += a0 + a_offset CMP r12, r7 // if a1 == zero ADD r12, r12, r5 // a1 += a_offset MOVEQ r12, r7 // a1 = zero, else += a1 + a_offset CMP r10, r7 // if a2 == zero ADD r10, r10, r5 // a2 += a_offset MOVEQ r10, r7 // a2 = zero, else += a2 + a_offset CMP r0, r7 // if a3 == zero ADD r0, r0, r5 // a3 += a_offset LDR r5, [sp, 68] // kc MOVEQ r0, r7 // a3 = zero, else += a3 + a_offset $if PREFETCH: PLD [r3, 0] // Prefetch A PLD [r3, 64] PLD [r12, 0] PLD [r12, 64] PLD [r10, 0] PLD [r10, 64] PLD [r0, 0] PLD [r0, 64] SUBS r5, r5, 16 // kc - 16 BLO 5f // less than 4 channels? // Prologue VLD1.32 {d0}, [r3]! // A0 VLDM r9!, {d8-d11} // B0 VLD1.32 {d1}, [r12]! // A1 VLD1.32 {d2}, [r10]! // A2 VLD1.32 {d3}, [ r0]! // A3 SUBS r5, r5, 16 BLO 3f // less than 4 channels? skip main loop .p2align 3 // Main loop - 4 floats of A (16 bytes) 2: VMLA.F32 q8, q4, d0[0] VLDM r9!, {d12-d15} // B1 VMLA.F32 q10, q4, d1[0] VMLA.F32 q12, q4, d2[0] VLD1.32 {d4}, [r3]! // A0 VMLA.F32 q14, q4, d3[0] VMLA.F32 q9, q5, d0[0] VLD1.32 {d5}, [r12]! // A1 VMLA.F32 q11, q5, d1[0] VMLA.F32 q13, q5, d2[0] VMLA.F32 q15, q5, d3[0] VLD1.32 {d6}, [r10]! // A2 VMLA.F32 q8, q6, d0[1] VMLA.F32 q10, q6, d1[1] VLD1.32 {d7}, [ r0]! // A3 VMLA.F32 q12, q6, d2[1] VMLA.F32 q14, q6, d3[1] VLDM r9!, {d8-d11} // B0 VMLA.F32 q9, q7, d0[1] VMLA.F32 q11, q7, d1[1] VMLA.F32 q13, q7, d2[1] VMLA.F32 q15, q7, d3[1] VMLA.F32 q8, q4, d4[0] VLDM r9!, {d12-d15} // B1 VMLA.F32 q10, q4, d5[0] $if PREFETCH: PLD [r3, 128] // Prefetch A0 VMLA.F32 q12, q4, d6[0] VLD1.32 {d0}, [r3]! // A0 VMLA.F32 q14, q4, d7[0] $if PREFETCH: PLD [r12, 128] // Prefetch A1 VMLA.F32 q9, q5, d4[0] VLD1.32 {d1}, [r12]! // A1 VMLA.F32 q11, q5, d5[0] $if PREFETCH: PLD [r10, 128] // Prefetch A2 VMLA.F32 q13, q5, d6[0] VLD1.32 {d2}, [r10]! // A2 VMLA.F32 q15, q5, d7[0] $if PREFETCH: PLD [r0, 128] // Prefetch A3 VMLA.F32 q8, q6, d4[1] VLD1.32 {d3}, [ r0]! // A3 VMLA.F32 q10, q6, d5[1] $if PREFETCH: PLD [r9, 352] // Prefetch B VMLA.F32 q12, q6, d6[1] $if PREFETCH: PLD [r9, 416] // Prefetch B VMLA.F32 q14, q6, d7[1] VLDM r9!, {d8-d11} // B0 VMLA.F32 q9, q7, d4[1] VMLA.F32 q11, q7, d5[1] SUBS r5, r5, 16 VMLA.F32 q13, q7, d6[1] VMLA.F32 q15, q7, d7[1] BHS 2b // Epilogue 3: VMLA.F32 q8, q4, d0[0] VLDM r9!, {d12-d15} // B1 VMLA.F32 q10, q4, d1[0] VMLA.F32 q12, q4, d2[0] VLD1.32 {d4}, [r3]! // A0 VMLA.F32 q14, q4, d3[0] VMLA.F32 q9, q5, d0[0] VLD1.32 {d5}, [r12]! // A1 VMLA.F32 q11, q5, d1[0] VMLA.F32 q13, q5, d2[0] VMLA.F32 q15, q5, d3[0] VLD1.32 {d6}, [r10]! // A2 VMLA.F32 q8, q6, d0[1] VMLA.F32 q10, q6, d1[1] VLD1.32 {d7}, [ r0]! // A3 VMLA.F32 q12, q6, d2[1] VMLA.F32 q14, q6, d3[1] VLDM r9!, {d8-d11} // B0 VMLA.F32 q9, q7, d0[1] VMLA.F32 q11, q7, d1[1] VMLA.F32 q13, q7, d2[1] VMLA.F32 q15, q7, d3[1] VMLA.F32 q8, q4, d4[0] VLDM r9!, {d12-d15} // B1 VMLA.F32 q10, q4, d5[0] VMLA.F32 q12, q4, d6[0] VMLA.F32 q14, q4, d7[0] VMLA.F32 q9, q5, d4[0] VMLA.F32 q11, q5, d5[0] VMLA.F32 q13, q5, d6[0] VMLA.F32 q15, q5, d7[0] VMLA.F32 q8, q6, d4[1] VMLA.F32 q10, q6, d5[1] VMLA.F32 q12, q6, d6[1] VMLA.F32 q14, q6, d7[1] VMLA.F32 q9, q7, d4[1] VMLA.F32 q11, q7, d5[1] VMLA.F32 q13, q7, d6[1] VMLA.F32 q15, q7, d7[1] // Is there a remainder?- 1 to 3 floats of A (4, 8 or 12 bytes) TST r5, 12 BNE 5f .p2align 3 4: # ks loop SUBS r14, r14, 16 // ks -= MR * sizeof(void*) BHI 1b // Load params pointer LDR r5, [sp, 140] // params LDR r7, [sp, 128] // cn_stride LDR r14, [sp, 72] // p = ks // Load min/max values VLD1.32 {d4[],d5[]}, [r5]! SUBS r1, r1, 8 VLD1.32 {d6[],d7[]}, [r5] // Clamp VMAX.F32 q8, q8, q2 VMAX.F32 q9, q9, q2 VMAX.F32 q10, q10, q2 VMAX.F32 q11, q11, q2 VMAX.F32 q12, q12, q2 VMAX.F32 q13, q13, q2 VMAX.F32 q14, q14, q2 VMAX.F32 q15, q15, q2 VMIN.F32 q8, q8, q3 VMIN.F32 q9, q9, q3 VMIN.F32 q10, q10, q3 VMIN.F32 q11, q11, q3 VMIN.F32 q12, q12, q3 VMIN.F32 q13, q13, q3 VMIN.F32 q14, q14, q3 VMIN.F32 q15, q15, q3 // Store full 4 x 8 BLO 7f VST1.32 {d28-d31}, [r6], r7 VST1.32 {d24-d27}, [r8], r7 VST1.32 {d20-d23}, [r4], r7 VST1.32 {d16-d19}, [r11], r7 SUB r2, r2, r14 // a -= ks BHI 0b VPOP {d8-d15} ADD sp, sp, 12 // skip pad, r2, r3 POP {r4, r5, r6, r7, r8, r9, r10, r11, pc} .p2align 3 5: // Is there a remainder?- 2 floats of A (8 bytes) TST r5, 8 BEQ 6f // Remainder - 2 floats of A (8 bytes) VLD1.32 {d0}, [r3]! // A0 VLDM r9!, {d8-d11} // B0 VLD1.32 {d1}, [r12]! // A1 VLD1.32 {d2}, [r10]! // A2 VLD1.32 {d3}, [ r0]! // A3 VMLA.F32 q8, q4, d0[0] VMLA.F32 q9, q5, d0[0] VMLA.F32 q10, q4, d1[0] VMLA.F32 q11, q5, d1[0] VLDM r9!, {d12-d15} // B1 VMLA.F32 q12, q4, d2[0] VMLA.F32 q13, q5, d2[0] VMLA.F32 q14, q4, d3[0] VMLA.F32 q15, q5, d3[0] VMLA.F32 q8, q6, d0[1] VMLA.F32 q9, q7, d0[1] VMLA.F32 q10, q6, d1[1] VMLA.F32 q11, q7, d1[1] VMLA.F32 q12, q6, d2[1] VMLA.F32 q13, q7, d2[1] VMLA.F32 q14, q6, d3[1] VMLA.F32 q15, q7, d3[1] // Is there a remainder?- 1 floats of A (4 bytes) TST r5, 4 BEQ 4b 6: // Remainder- 1 floats of A (4 bytes) VLDM r3!, {s0} // A0 VLDM r9!, {d8-d11} // B0 VLDM r12!, {s2} // A1 VLDM r10!, {s4} // A2 VLDM r0!, {s6} // A3 VMLA.F32 q8, q4, d0[0] VMLA.F32 q9, q5, d0[0] VMLA.F32 q10, q4, d1[0] VMLA.F32 q11, q5, d1[0] VMLA.F32 q12, q4, d2[0] VMLA.F32 q13, q5, d2[0] VMLA.F32 q14, q4, d3[0] VMLA.F32 q15, q5, d3[0] B 4b // Store odd width 7: TST r1, 4 BEQ 8f VST1.32 {d28-d29}, [r6]! VMOV q14, q15 VST1.32 {d24-d25}, [r8]! VMOV q12, q13 VST1.32 {d20-d21}, [r4]! VMOV q10, q11 VST1.32 {d16-d17}, [r11]! VMOV q8, q9 8: TST r1, 2 BEQ 9f VST1.32 {d28}, [r6]! VMOV d28, d29 VST1.32 {d24}, [r8]! VMOV d24, d25 VST1.32 {d20}, [r4]! VMOV d20, d21 VST1.32 {d16}, [r11]! VMOV d16, d17 9: TST r1, 1 BEQ 10f VST1.32 {d28[0]}, [r6]! VST1.32 {d24[0]}, [r8]! VST1.32 {d20[0]}, [r4]! VST1.32 {d16[0]}, [r11]! 10: VPOP {d8-d15} ADD sp, sp, 12 // skip pad, r2, r3 POP {r4, r5, r6, r7, r8, r9, r10, r11, pc} END_FUNCTION xnn_f32_igemm_minmax_ukernel_4x8__aarch32_neon_${"pld_" if PREFETCH else ""}cortex_a75 #ifdef __ELF__ .section ".note.GNU-stack","",%progbits #endif