// 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_gemm_minmax_ukernel_4x8__aarch32_neon_cortex_a53( // size_t mr, r0 // size_t nc, r1 // size_t kc, r2 -> r5 -> sp + 0 // const uint8_t*restrict a, r3 // size_t a_stride, sp + 100 -> (r7) // const void*restrict w, sp + 104 -> r9 // uint8_t*restrict c, sp + 108 -> r11 // size_t cm_stride, sp + 112 -> (r6) // size_t cn_stride, sp + 116 -> (r0) // const union xnn_f32_minmax_params params[restrict XNN_MIN_ELEMENTS(1)]) sp + 120 -> (r5) // inner loop registers // r0, r2 scratch temporaries for loads // r14 (lr) unused // A0 r3 d0 // A1 r12 d1 // A2 r10 d2 // A3 r7 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_gemm_minmax_ukernel_4x8__aarch32_neon_cortex_a53 .arm #ifndef __APPLE__ .arch armv7-a .fpu neon #endif // Push 100 bytes // r2 will be reloaded in outer loop VPUSH {d8-d15} // 64 PUSH {r2, r4, r5, r6, r7, r8, r9, r10, r11} // +36 = 100 LDR r7, [sp, 100] // a_stride LDR r11, [sp, 108] // c LDR r6, [sp, 112] // cm_stride LDR r9, [sp, 104] // w // Clamp A and C pointers CMP r0, 2 // if mr >= 2 ADD r12, r3, r7 // a1 = a0 + a_stride ADD r4, r11, r6 // c1 = c0 + cm_stride MOVLO r12, r3 // a1 MOVLO r4, r11 // c1 // if mr > 2 ADD r10, r12, r7 // a2 = a1 + a_stride ADD r8, r4, r6 // c2 = c1 + cm_stride MOVLS r10, r12 // a2 MOVLS r8, r4 // c2 CMP r0, 4 // if mr >=4 ADD r7, r10, r7 // a3 = a2 + a_stride ADD r6, r8, r6 // c3 = c2 + cm_stride MOVLO r7, r10 // a3 MOVLO r6, r8 // c3 .p2align 3 0: # Load initial bias from w into accumulators VLDM r9!, {d16-d19} // Bias SUBS r5, r2, 16 // kc - 16 PLD [r3, 0] // Prefetch A PLD [r3, 64] VMOV q10, q8 PLD [r12, 0] PLD [r12, 64] VMOV q11, q9 PLD [r10, 0] PLD [r10, 64] VMOV q12, q8 PLD [r7, 0] PLD [r7, 64] VMOV q13, q9 PLD [r9, 0] // Prefetch B PLD [r9, 64] VMOV q14, q8 PLD [r9, 128] PLD [r9, 192] VMOV q15, q9 PLD [r9, 256] PLD [r9, 320] BLO 4f // less than 4 channels? // Prologue VLD1.32 {d0}, [r3]! // A0 VLD1.32 {d1}, [r12]! // A1 VLD1.32 {d2}, [r10]! // A2 VLD1.32 {d3}, [r7]! // A3 SUBS r5, r5, 16 VLDM r9, {d8-d11} // B0 LDR r0, [r9, 56] // B1 low VMOV is in BLOCK 0 LDR r2, [r9, 60] // B1 high VLDR d13, [r9, 40] // B1 BLO 2f // less than 4 channels? skip main loop # Main loop - 4 floats of A (16 bytes) # 32 FMA + 8 LD64 A + 8 LDR B .p2align 3 1: # First group of 16 FMA, Second group loads // BLOCK 0 VLD1.32 {d4}, [r3]! // A0 VMOV d15, r0, r2 // b1 VMOV b from second group VMLA.F32 q8, q4, d0[0] LDR r0, [r12] // A1 low VMLA.F32 q10, q4, d1[0] LDR r2, [r12, 4] // A1 high VMLA.F32 q12, q4, d2[0] PLD [r3, 128] // Prefetch A0 // BLOCK 1 VLDR d12, [r9, 32] // B1 VMOV d5, r0, r2 // a1 VMOV VMLA.F32 q14, q4, d3[0] LDR r0, [r9, 72] // B0 low VMLA.F32 q9, q5, d0[0] LDR r2, [r9, 76] // B0 high VMLA.F32 q11, q5, d1[0] PLD [r12, 128] // Prefetch A1 // BLOCK 2 VLD1.32 {d6}, [r10]! // A2 VMOV d9, r0, r2 // b0 VMOV VMLA.F32 q13, q5, d2[0] LDR r0, [r7] // A3 low VMLA.F32 q15, q5, d3[0] LDR r2, [r7, 4] // A3 high VMLA.F32 q8, q6, d0[1] PLD [r10, 128] // Prefetch A2 // BLOCK 3 VLDR d14, [r9, 48] // B1 VMOV d7, r0, r2 // a3 VMOV VMLA.F32 q10, q6, d1[1] LDR r0, [r9, 88] // B0 low VMLA.F32 q12, q6, d2[1] LDR r2, [r9, 92] // B0 high VMLA.F32 q14, q6, d3[1] PLD [r7, 128] // Prefetch A3 // BLOCK 4 VLDR d8, [r9, 64] // B0 VMOV d11, r0, r2 // B0 VMOV VMLA.F32 q9, q7, d0[1] LDR r0, [r9, 104] // B1 low VMOV is in BLOCK 0 VMLA.F32 q11, q7, d1[1] LDR r2, [r9, 108] // B1 high VMLA.F32 q13, q7, d2[1] PLD [r9, 384] // Prefetch B // BLOCK 5 VLDR d10, [r9, 80] // B0 VMOV d13, r0, r2 // b1 VMOV b from second group VMLA.F32 q15, q7, d3[1] LDR r0, [r9, 120] // B1 low VMOV is in BLOCK 0 NOP LDR r2, [r9, 124] // B1 high NOP PLD [r9, 448] // Prefetch B # Second group of 16 FMA, First group of loads // BLOCK 0 VLD1.32 {d0}, [r3]! // A0 VMOV d15, r0, r2 // b1 VMOV b from second group VMLA.F32 q8, q4, d4[0] LDR r0, [r12, 8] // A1 low VMLA.F32 q10, q4, d5[0] LDR r2, [r12, 12] // A1 high VMLA.F32 q12, q4, d6[0] // NOP // BLOCK 1 VLDR d12, [r9, 96] // B1 VMOV d1, r0, r2 // a1 VMOV VMLA.F32 q14, q4, d7[0] LDR r0, [r9, 136] // B0 low VMLA.F32 q9, q5, d4[0] LDR r2, [r9, 140] // B0 high VMLA.F32 q11, q5, d5[0] // NOP // BLOCK 2 VLD1.32 {d2}, [r10]! // A2 VMOV d9, r0, r2 // b0 VMOV VMLA.F32 q13, q5, d6[0] LDR r0, [r7, 8] // A3 low VMLA.F32 q15, q5, d7[0] LDR r2, [r7, 12] // A3 high VMLA.F32 q8, q6, d4[1] // NOP // BLOCK 3 VLDR d14, [r9, 112] // B1 VMOV d3, r0, r2 // a3 VMOV VMLA.F32 q10, q6, d5[1] LDR r0, [r9, 152] // B0 low VMLA.F32 q12, q6, d6[1] LDR r2, [r9, 156] // B0 high VMLA.F32 q14, q6, d7[1] ADD r12, r12, 16 // A1++ // BLOCK 4 VLDR d8, [r9, 128] // B0 VMOV d11, r0, r2 // B0 VMOV VMLA.F32 q9, q7, d4[1] LDR r0, [r9, 168] // B1 low VMLA.F32 q11, q7, d5[1] LDR r2, [r9, 172] // B1 high VMLA.F32 q13, q7, d6[1] ADD r7, r7, 16 // A3++ // BLOCK 5 VLDR d10, [r9, 144] // B0 VMOV d13, r0, r2 // b1 VMOV b VMLA.F32 q15, q7, d7[1] LDR r0, [r9, 184] // B1 low VMOV is in BLOCK 0 SUBS r5, r5, 16 LDR r2, [r9, 188] // B1 high ADD r9, r9, 128 // B++ BHS 1b # Epilogue - 4 floats of A (16 bytes) 2: # First group of 16 FMA, Second group loads // BLOCK 0 VLD1.32 {d4}, [r3]! // A0 VMOV d15, r0, r2 // b1 VMOV b from second group VMLA.F32 q8, q4, d0[0] LDR r0, [r12] // A1 low VMLA.F32 q10, q4, d1[0] LDR r2, [r12, 4] // A1 high VMLA.F32 q12, q4, d2[0] // NOP // BLOCK 1 VLDR d12, [r9, 32] // B1 VMOV d5, r0, r2 // a1 VMOV VMLA.F32 q14, q4, d3[0] LDR r0, [r9, 72] // B0 low VMLA.F32 q9, q5, d0[0] LDR r2, [r9, 76] // B0 high VMLA.F32 q11, q5, d1[0] // NOP // BLOCK 2 VLD1.32 {d6}, [r10]! // A2 VMOV d9, r0, r2 // b0 VMOV VMLA.F32 q13, q5, d2[0] LDR r0, [r7] // A3 low VMLA.F32 q15, q5, d3[0] LDR r2, [r7, 4] // A3 high VMLA.F32 q8, q6, d0[1] // NOP // BLOCK 3 VLDR d14, [r9, 48] // B1 VMOV d7, r0, r2 // a3 VMOV VMLA.F32 q10, q6, d1[1] LDR r0, [r9, 88] // B0 low VMLA.F32 q12, q6, d2[1] LDR r2, [r9, 92] // B0 high VMLA.F32 q14, q6, d3[1] // NOP // BLOCK 4 VLDR d8, [r9, 64] // B0 VMOV d11, r0, r2 // B0 VMOV VMLA.F32 q9, q7, d0[1] LDR r0, [r9, 104] // B1 low VMLA.F32 q11, q7, d1[1] LDR r2, [r9, 108] // B1 high VMLA.F32 q13, q7, d2[1] // NOP // BLOCK 5 VLDR d10, [r9, 80] // B0 VMOV d13, r0, r2 // b1 VMOV b VMLA.F32 q15, q7, d3[1] LDR r0, [r9, 120] // B1 low VMOV is in BLOCK 0 NOP LDR r2, [r9, 124] // B1 high NOP NOP # Second group of 16 FMA, First group of loads // BLOCK 0 VLDR d12, [r9, 96] // B1 VMOV d15, r0, r2 // b1 VMOV b from second group VMLA.F32 q8, q4, d4[0] VMLA.F32 q10, q4, d5[0] VMLA.F32 q12, q4, d6[0] // BLOCK 1 VLDR d14, [r9, 112] // B1 VMLA.F32 q14, q4, d7[0] VMLA.F32 q9, q5, d4[0] VMLA.F32 q11, q5, d5[0] ADD r12, r12, 8 // A1++ // BLOCK 2 ADD r7, r7, 8 // A3++ VLDR B1 lands here ADD r9, r9, 128 // B++ VMLA.F32 q13, q5, d6[0] VMLA.F32 q15, q5, d7[0] VMLA.F32 q8, q6, d4[1] // BLOCK 3 VMLA.F32 q10, q6, d5[1] VMLA.F32 q12, q6, d6[1] VMLA.F32 q14, q6, d7[1] TST r5, 15 // BLOCK 4 VMLA.F32 q9, q7, d4[1] VMLA.F32 q11, q7, d5[1] VMLA.F32 q13, q7, d6[1] // BLOCK 5 VMLA.F32 q15, q7, d7[1] // Is there a remainder?- 1 to 3 floats of A (4, 8 or 12 bytes) BNE 4f .p2align 3 3: // Load params pointer LDR r0, [sp, 116] // cn_stride LDR r5, [sp, 120] // params LDR r2, [sp, 0] // kc SUBS r1, r1, 8 // Load min/max values VLD1.32 {d4[],d5[]}, [r5]! 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 6f VST1.32 {d16-d19}, [r11], r0 SUB r7, r7, r2 VST1.32 {d20-d23}, [r4], r0 SUB r10, r10, r2 VST1.32 {d24-d27}, [r8], r0 SUB r12, r12, r2 VST1.32 {d28-d31}, [r6], r0 SUB r3, r3, r2 BHI 0b ADD sp, sp, 4 POP {r4, r5, r6, r7, r8, r9, r10, r11} VPOP {d8-d15} BX lr .p2align 3 4: // Is there a remainder?- 2 floats of A (8 bytes) TST r5, 8 BEQ 5f // 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}, [ r7]! // 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 3b 5: // 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 r7!, {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 3b // Store odd width 6: TST r1, 4 BEQ 7f VST1.32 {d16-d17}, [r11]! VMOV q8, q9 VST1.32 {d20-d21}, [r4]! VMOV q10, q11 VST1.32 {d24-d25}, [r8]! VMOV q12, q13 VST1.32 {d28-d29}, [r6]! VMOV q14, q15 7: TST r1, 2 BEQ 8f VST1.32 {d16}, [r11]! VMOV d16, d17 VST1.32 {d20}, [r4]! VMOV d20, d21 VST1.32 {d24}, [r8]! VMOV d24, d25 VST1.32 {d28}, [r6]! VMOV d28, d29 8: TST r1, 1 BEQ 9f VST1.32 {d16[0]}, [r11] VST1.32 {d20[0]}, [r4] VST1.32 {d24[0]}, [r8] VST1.32 {d28[0]}, [r6] 9: ADD sp, sp, 4 POP {r4, r5, r6, r7, r8, r9, r10, r11} VPOP {d8-d15} BX lr END_FUNCTION xnn_f32_gemm_minmax_ukernel_4x8__aarch32_neon_cortex_a53 #ifdef __ELF__ .section ".note.GNU-stack","",%progbits #endif