1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
|
/*
* Copyright (c) Facebook, Inc. and its affiliates.
* All rights reserved.
* This source code is licensed under the BSD-style license found in the
* LICENSE file in the root directory of this source tree.
*/
#include "OptimizedKernelsAvx2.h"
#include <immintrin.h>
using namespace std;
namespace fbgemm {
int32_t reduceAvx2(const uint8_t* A, int len) {
int32_t row_sum = 0;
#if defined(__AVX2__)
__m256i sum_v = _mm256_setzero_si256();
__m256i one_epi16_v = _mm256_set1_epi16(1);
__m256i one_epi8_v = _mm256_set1_epi8(1);
int i;
// vectorized
for (i = 0; i < len / 32 * 32; i += 32) {
__m256i src_v = _mm256_loadu_si256(reinterpret_cast<__m256i const*>(A + i));
sum_v = _mm256_add_epi32(
sum_v,
_mm256_madd_epi16(
_mm256_maddubs_epi16(src_v, one_epi8_v), one_epi16_v));
}
alignas(64) int32_t temp[8];
_mm256_store_si256(reinterpret_cast<__m256i*>(temp), sum_v);
for (int k = 0; k < 8; ++k) {
row_sum += temp[k];
}
// scalar
for (; i < len; ++i) {
row_sum += A[i];
}
#else
for (int i = 0; i < len; ++i) {
row_sum += A[i];
}
#endif
return row_sum;
}
void transpose_8rows(
int N,
const uint8_t* src,
int ld_src,
uint8_t* dst,
int ld_dst) {
constexpr int M = 8;
int j;
// vectorized loop
for (j = 0; j < N / 32 * 32; j += 32) {
// a : a0 a1 ... a31
// b : b0 b1 ... b31
// c : c0 c1 ... c31
// d : d0 d1 ... d31
__m256i a = _mm256_lddqu_si256(
reinterpret_cast<const __m256i*>(src + j + 0 * ld_src));
__m256i b = _mm256_lddqu_si256(
reinterpret_cast<const __m256i*>(src + j + 1 * ld_src));
__m256i c = _mm256_lddqu_si256(
reinterpret_cast<const __m256i*>(src + j + 2 * ld_src));
__m256i d = _mm256_lddqu_si256(
reinterpret_cast<const __m256i*>(src + j + 3 * ld_src));
__m256i e = _mm256_lddqu_si256(
reinterpret_cast<const __m256i*>(src + j + 4 * ld_src));
__m256i f = _mm256_lddqu_si256(
reinterpret_cast<const __m256i*>(src + j + 5 * ld_src));
__m256i g = _mm256_lddqu_si256(
reinterpret_cast<const __m256i*>(src + j + 6 * ld_src));
__m256i h = _mm256_lddqu_si256(
reinterpret_cast<const __m256i*>(src + j + 7 * ld_src));
// even-odd interleaving
// ab_lo : a0 b0 a1 b1 ... a7 b7 | a16 b16 ... a23 b23
// ab_hi : a8 b8 a9 b9 ... a15 b15 | a24 b24 ... a31 b31
// cd_lo : c0 d0 c1 d1 ... c7 d7 | c16 d16 ... c23 d23
// cd_hi : c8 d8 c9 d9 ... c15 d15 | c24 d24 ... c31 d31
__m256i ab_lo = _mm256_unpacklo_epi8(a, b);
__m256i ab_hi = _mm256_unpackhi_epi8(a, b);
__m256i cd_lo = _mm256_unpacklo_epi8(c, d);
__m256i cd_hi = _mm256_unpackhi_epi8(c, d);
__m256i ef_lo = _mm256_unpacklo_epi8(e, f);
__m256i ef_hi = _mm256_unpackhi_epi8(e, f);
__m256i gh_lo = _mm256_unpacklo_epi8(g, h);
__m256i gh_hi = _mm256_unpackhi_epi8(g, h);
// 4-row interleaving but permuted at 128-bit granularity
// abcd0 : a0 b0 c0 d0 ... a-d3 | a-d16 ... a-d19
// abcd1 : a4 b4 c4 d4 ... a-d7 | a-d20 ... a-d23
// abcd2 : a8 b8 c8 d8 ... a-d11 | a-d24 ... a-d27
// abcd3 : a12 b12 c12 d12 ... a-d15 | a-d28 ... a-d31
__m256i abcd0 = _mm256_unpacklo_epi16(ab_lo, cd_lo);
__m256i abcd1 = _mm256_unpackhi_epi16(ab_lo, cd_lo);
__m256i abcd2 = _mm256_unpacklo_epi16(ab_hi, cd_hi);
__m256i abcd3 = _mm256_unpackhi_epi16(ab_hi, cd_hi);
__m256i efgh0 = _mm256_unpacklo_epi16(ef_lo, gh_lo);
__m256i efgh1 = _mm256_unpackhi_epi16(ef_lo, gh_lo);
__m256i efgh2 = _mm256_unpacklo_epi16(ef_hi, gh_hi);
__m256i efgh3 = _mm256_unpackhi_epi16(ef_hi, gh_hi);
// 8-row interleaving
__m256i y0 = _mm256_unpacklo_epi32(abcd0, efgh0);
__m256i y1 = _mm256_unpackhi_epi32(abcd0, efgh0);
__m256i y2 = _mm256_unpacklo_epi32(abcd1, efgh1);
__m256i y3 = _mm256_unpackhi_epi32(abcd1, efgh1);
__m256i y4 = _mm256_unpacklo_epi32(abcd2, efgh2);
__m256i y5 = _mm256_unpackhi_epi32(abcd2, efgh2);
__m256i y6 = _mm256_unpacklo_epi32(abcd3, efgh3);
__m256i y7 = _mm256_unpackhi_epi32(abcd3, efgh3);
// Storing with 128-bit lanes are permuted so that everything is in order
_mm_storel_epi64(
reinterpret_cast<__m128i*>(dst + (j + 0) * ld_dst),
_mm256_castsi256_si128(y0));
*reinterpret_cast<int64_t*>(dst + (j + 1) * ld_dst) =
_mm256_extract_epi64(y0, 1);
_mm_storel_epi64(
reinterpret_cast<__m128i*>(dst + (j + 2) * ld_dst),
_mm256_castsi256_si128(y1));
*reinterpret_cast<int64_t*>(dst + (j + 3) * ld_dst) =
_mm256_extract_epi64(y1, 1);
_mm_storel_epi64(
reinterpret_cast<__m128i*>(dst + (j + 4) * ld_dst),
_mm256_castsi256_si128(y2));
*reinterpret_cast<int64_t*>(dst + (j + 5) * ld_dst) =
_mm256_extract_epi64(y2, 1);
_mm_storel_epi64(
reinterpret_cast<__m128i*>(dst + (j + 6) * ld_dst),
_mm256_castsi256_si128(y3));
*reinterpret_cast<int64_t*>(dst + (j + 7) * ld_dst) =
_mm256_extract_epi64(y3, 1);
_mm_storel_epi64(
reinterpret_cast<__m128i*>(dst + (j + 8) * ld_dst),
_mm256_castsi256_si128(y4));
*reinterpret_cast<int64_t*>(dst + (j + 9) * ld_dst) =
_mm256_extract_epi64(y4, 1);
_mm_storel_epi64(
reinterpret_cast<__m128i*>(dst + (j + 10) * ld_dst),
_mm256_castsi256_si128(y5));
*reinterpret_cast<int64_t*>(dst + (j + 11) * ld_dst) =
_mm256_extract_epi64(y5, 1);
_mm_storel_epi64(
reinterpret_cast<__m128i*>(dst + (j + 12) * ld_dst),
_mm256_castsi256_si128(y6));
*reinterpret_cast<int64_t*>(dst + (j + 13) * ld_dst) =
_mm256_extract_epi64(y6, 1);
_mm_storel_epi64(
reinterpret_cast<__m128i*>(dst + (j + 14) * ld_dst),
_mm256_castsi256_si128(y7));
*reinterpret_cast<int64_t*>(dst + (j + 15) * ld_dst) =
_mm256_extract_epi64(y7, 1);
*reinterpret_cast<int64_t*>(dst + (j + 16) * ld_dst) =
_mm256_extract_epi64(y0, 2);
*reinterpret_cast<int64_t*>(dst + (j + 17) * ld_dst) =
_mm256_extract_epi64(y0, 3);
*reinterpret_cast<int64_t*>(dst + (j + 18) * ld_dst) =
_mm256_extract_epi64(y1, 2);
*reinterpret_cast<int64_t*>(dst + (j + 19) * ld_dst) =
_mm256_extract_epi64(y1, 3);
*reinterpret_cast<int64_t*>(dst + (j + 20) * ld_dst) =
_mm256_extract_epi64(y2, 2);
*reinterpret_cast<int64_t*>(dst + (j + 21) * ld_dst) =
_mm256_extract_epi64(y2, 3);
*reinterpret_cast<int64_t*>(dst + (j + 22) * ld_dst) =
_mm256_extract_epi64(y3, 2);
*reinterpret_cast<int64_t*>(dst + (j + 23) * ld_dst) =
_mm256_extract_epi64(y3, 3);
*reinterpret_cast<int64_t*>(dst + (j + 24) * ld_dst) =
_mm256_extract_epi64(y4, 2);
*reinterpret_cast<int64_t*>(dst + (j + 25) * ld_dst) =
_mm256_extract_epi64(y4, 3);
*reinterpret_cast<int64_t*>(dst + (j + 26) * ld_dst) =
_mm256_extract_epi64(y5, 2);
*reinterpret_cast<int64_t*>(dst + (j + 27) * ld_dst) =
_mm256_extract_epi64(y5, 3);
*reinterpret_cast<int64_t*>(dst + (j + 28) * ld_dst) =
_mm256_extract_epi64(y6, 2);
*reinterpret_cast<int64_t*>(dst + (j + 29) * ld_dst) =
_mm256_extract_epi64(y6, 3);
*reinterpret_cast<int64_t*>(dst + (j + 30) * ld_dst) =
_mm256_extract_epi64(y7, 2);
*reinterpret_cast<int64_t*>(dst + (j + 31) * ld_dst) =
_mm256_extract_epi64(y7, 3);
}
// scalar loop for remainder
for (; j < N; ++j) {
for (int i = 0; i < M; ++i) {
dst[j * ld_dst + i] = src[j + i * ld_src];
}
}
}
void spmdmKernelAvx2(
int N,
const uint8_t* A_buffer,
const int32_t* colptr,
const int8_t* values,
const int16_t* rowidx,
int32_t* C_buffer) {
for (int j = 0; j < N; ++j) {
int k = colptr[j];
int k_end_aligned = colptr[j] + (colptr[j + 1] - colptr[j]) / 4 * 4;
for (; k < k_end_aligned; k += 4) {
__m256i w =
_mm256_set1_epi32(*(reinterpret_cast<const int32_t*>(&values[k])));
__m256i a[4];
a[0] = _mm256_load_si256(
reinterpret_cast<const __m256i*>(&A_buffer[rowidx[k + 0] * 32]));
a[1] = _mm256_load_si256(
reinterpret_cast<const __m256i*>(&A_buffer[rowidx[k + 1] * 32]));
a[2] = _mm256_load_si256(
reinterpret_cast<const __m256i*>(&A_buffer[rowidx[k + 2] * 32]));
a[3] = _mm256_load_si256(
reinterpret_cast<const __m256i*>(&A_buffer[rowidx[k + 3] * 32]));
__m256i a01_lo = _mm256_unpacklo_epi8(a[0], a[1]);
__m256i a01_hi = _mm256_unpackhi_epi8(a[0], a[1]);
__m256i a23_lo = _mm256_unpacklo_epi8(a[2], a[3]);
__m256i a23_hi = _mm256_unpackhi_epi8(a[2], a[3]);
a[0] = _mm256_unpacklo_epi16(a01_lo, a23_lo);
a[1] = _mm256_unpackhi_epi16(a01_lo, a23_lo);
a[2] = _mm256_unpacklo_epi16(a01_hi, a23_hi);
a[3] = _mm256_unpackhi_epi16(a01_hi, a23_hi);
__m256i ab[4];
ab[0] = _mm256_maddubs_epi16(a[0], w);
ab[1] = _mm256_maddubs_epi16(a[1], w);
ab[2] = _mm256_maddubs_epi16(a[2], w);
ab[3] = _mm256_maddubs_epi16(a[3], w);
__m256i one = _mm256_set1_epi16(1);
ab[0] = _mm256_madd_epi16(ab[0], one);
ab[1] = _mm256_madd_epi16(ab[1], one);
ab[2] = _mm256_madd_epi16(ab[2], one);
ab[3] = _mm256_madd_epi16(ab[3], one);
__m256i t[4];
t[0] = _mm256_permute2f128_si256(ab[0], ab[1], 0x20);
t[1] = _mm256_permute2f128_si256(ab[2], ab[3], 0x20);
t[2] = _mm256_permute2f128_si256(ab[0], ab[1], 0x31);
t[3] = _mm256_permute2f128_si256(ab[2], ab[3], 0x31);
_mm256_store_si256(
reinterpret_cast<__m256i*>(&C_buffer[j * 32 + 0 * 8]),
_mm256_add_epi32(
_mm256_load_si256(
reinterpret_cast<const __m256i*>(&C_buffer[j * 32 + 0 * 8])),
t[0]));
_mm256_store_si256(
reinterpret_cast<__m256i*>(&C_buffer[j * 32 + 1 * 8]),
_mm256_add_epi32(
_mm256_load_si256(
reinterpret_cast<const __m256i*>(&C_buffer[j * 32 + 1 * 8])),
t[1]));
_mm256_store_si256(
reinterpret_cast<__m256i*>(&C_buffer[j * 32 + 2 * 8]),
_mm256_add_epi32(
_mm256_load_si256(
reinterpret_cast<const __m256i*>(&C_buffer[j * 32 + 2 * 8])),
t[2]));
_mm256_store_si256(
reinterpret_cast<__m256i*>(&C_buffer[j * 32 + 3 * 8]),
_mm256_add_epi32(
_mm256_load_si256(
reinterpret_cast<const __m256i*>(&C_buffer[j * 32 + 3 * 8])),
t[3]));
}
int remainder = colptr[j + 1] - k;
if (remainder > 0) {
int32_t temp_w = 0;
for (int r = 0; r < remainder; ++r) {
(reinterpret_cast<int8_t*>(&temp_w))[r] = values[k + r];
}
__m256i w = _mm256_set1_epi32(temp_w);
__m256i a[4];
a[0] = _mm256_load_si256(
reinterpret_cast<const __m256i*>(&A_buffer[rowidx[k + 0] * 32]));
a[1] = remainder > 1 ? _mm256_load_si256(reinterpret_cast<const __m256i*>(
&A_buffer[rowidx[k + 1] * 32]))
: _mm256_setzero_si256();
a[2] = remainder > 2 ? _mm256_load_si256(reinterpret_cast<const __m256i*>(
&A_buffer[rowidx[k + 2] * 32]))
: _mm256_setzero_si256();
a[3] = _mm256_setzero_si256();
__m256i a01_lo = _mm256_unpacklo_epi8(a[0], a[1]);
__m256i a01_hi = _mm256_unpackhi_epi8(a[0], a[1]);
__m256i a23_lo = _mm256_unpacklo_epi8(a[2], a[3]);
__m256i a23_hi = _mm256_unpackhi_epi8(a[2], a[3]);
a[0] = _mm256_unpacklo_epi16(a01_lo, a23_lo);
a[1] = _mm256_unpackhi_epi16(a01_lo, a23_lo);
a[2] = _mm256_unpacklo_epi16(a01_hi, a23_hi);
a[3] = _mm256_unpackhi_epi16(a01_hi, a23_hi);
__m256i ab[4];
ab[0] = _mm256_maddubs_epi16(a[0], w);
ab[1] = _mm256_maddubs_epi16(a[1], w);
ab[2] = _mm256_maddubs_epi16(a[2], w);
ab[3] = _mm256_maddubs_epi16(a[3], w);
__m256i one = _mm256_set1_epi16(1);
ab[0] = _mm256_madd_epi16(ab[0], one);
ab[1] = _mm256_madd_epi16(ab[1], one);
ab[2] = _mm256_madd_epi16(ab[2], one);
ab[3] = _mm256_madd_epi16(ab[3], one);
__m256i t[4];
t[0] = _mm256_permute2f128_si256(ab[0], ab[1], 0x20);
t[1] = _mm256_permute2f128_si256(ab[2], ab[3], 0x20);
t[2] = _mm256_permute2f128_si256(ab[0], ab[1], 0x31);
t[3] = _mm256_permute2f128_si256(ab[2], ab[3], 0x31);
_mm256_store_si256(
reinterpret_cast<__m256i*>(&C_buffer[j * 32 + 0 * 8]),
_mm256_add_epi32(
_mm256_load_si256(
reinterpret_cast<const __m256i*>(&C_buffer[j * 32 + 0 * 8])),
t[0]));
_mm256_store_si256(
reinterpret_cast<__m256i*>(&C_buffer[j * 32 + 1 * 8]),
_mm256_add_epi32(
_mm256_load_si256(
reinterpret_cast<const __m256i*>(&C_buffer[j * 32 + 1 * 8])),
t[1]));
_mm256_store_si256(
reinterpret_cast<__m256i*>(&C_buffer[j * 32 + 2 * 8]),
_mm256_add_epi32(
_mm256_load_si256(
reinterpret_cast<const __m256i*>(&C_buffer[j * 32 + 2 * 8])),
t[2]));
_mm256_store_si256(
reinterpret_cast<__m256i*>(&C_buffer[j * 32 + 3 * 8]),
_mm256_add_epi32(
_mm256_load_si256(
reinterpret_cast<const __m256i*>(&C_buffer[j * 32 + 3 * 8])),
t[3]));
}
} // for each column of B
}
} // namespace fbgemm
|
