Maxpool fixes

AlexeyAB

2018-08-07 e6c97a53a7b5ac4014d30d236ea2bf5adb4bb521

 src/gemm.c

@@ -87,7 +87,7 @@
#include <immintrin.h>
#include <smmintrin.h>

#else // Linux GCC/Clang
#else    // Linux GCC/Clang
#include <x86intrin.h>
#include <ammintrin.h>
#include <immintrin.h>
@@ -96,124 +96,124 @@

void asm_cpuid(uint32_t* abcd, uint32_t eax)
{
   uint32_t ebx = 0, edx = 0, ecx = 0;
    uint32_t ebx = 0, edx = 0, ecx = 0;

   // EBX is saved to EDI and later restored
   __asm__("movl %%ebx, %%edi;"
      "cpuid;"
      "xchgl %%ebx, %%edi;"
      : "=D"(ebx),
      "+a"(eax), "+c"(ecx), "=d"(edx));
    // EBX is saved to EDI and later restored
    __asm__("movl %%ebx, %%edi;"
        "cpuid;"
        "xchgl %%ebx, %%edi;"
        : "=D"(ebx),
        "+a"(eax), "+c"(ecx), "=d"(edx));

   abcd[0] = eax;
   abcd[1] = ebx;
   abcd[2] = ecx;
   abcd[3] = edx;
    abcd[0] = eax;
    abcd[1] = ebx;
    abcd[2] = ecx;
    abcd[3] = edx;
}

#endif

int simd_detect_x86(unsigned int idFeature)
{
   uint32_t regs[4]; // EAX, EBX, ECX, EDX;
    uint32_t regs[4];    // EAX, EBX, ECX, EDX;
#ifdef _WIN32
   __cpuid(regs, 0);
   if (regs[0] > 1U) __cpuid(regs, 1);
    __cpuid(regs, 0);
    if (regs[0] > 1U) __cpuid(regs, 1);
#else
   __get_cpuid(0, &regs[0], &regs[1], &regs[2], &regs[3]);
   if(regs[0] > 1U) __get_cpuid(1, &regs[0], &regs[1], &regs[2], &regs[3]);
    __get_cpuid(0, &regs[0], &regs[1], &regs[2], &regs[3]);
    if(regs[0] > 1U) __get_cpuid(1, &regs[0], &regs[1], &regs[2], &regs[3]);
#endif

   if ((regs[2] & idFeature) != idFeature)
      return 0;
   return 1;
    if ((regs[2] & idFeature) != idFeature)
        return 0;
    return 1;
}

int is_fma_avx() {
   static int result = -1;
   if (result == -1) {
      result = simd_detect_x86(AVXFlag);
      if (result == 1) printf(" Used AVX \n");
      else printf(" Not used AVX \n");
   }
   return result;
    static int result = -1;
    if (result == -1) {
        result = simd_detect_x86(AVXFlag);
        if (result == 1) printf(" Used AVX \n");
        else printf(" Not used AVX \n");
    }
    return result;
}

// https://software.intel.com/sites/landingpage/IntrinsicsGuide
void gemm_nn(int M, int N, int K, float ALPHA,
   float *A, int lda,
   float *B, int ldb,
   float *C, int ldc)
    float *A, int lda,
    float *B, int ldb,
    float *C, int ldc)
{
   int i, j, k;
   if (is_fma_avx() == 1) {   // AVX
      for (i = 0; i < M; ++i) {
         for (k = 0; k < K; ++k) {
            float A_PART = ALPHA*A[i*lda + k];
            __m256 a256, b256, c256, result256; // AVX
            a256 = _mm256_set1_ps(A_PART);
            for (j = 0; j < N - 8; j += 8) {
               b256 = _mm256_loadu_ps(&B[k*ldb + j]);
               c256 = _mm256_loadu_ps(&C[i*ldc + j]);
               // FMA - Intel Haswell (2013), AMD Piledriver (2012)
               //result256 = _mm256_fmadd_ps(a256, b256, c256);
               result256 = _mm256_mul_ps(a256, b256);
               result256 = _mm256_add_ps(result256, c256);
               _mm256_storeu_ps(&C[i*ldc + j], result256);
            }
    int i, j, k;
    if (is_fma_avx() == 1) {    // AVX
        for (i = 0; i < M; ++i) {
            for (k = 0; k < K; ++k) {
                float A_PART = ALPHA*A[i*lda + k];
                __m256 a256, b256, c256, result256;    // AVX
                a256 = _mm256_set1_ps(A_PART);
                for (j = 0; j < N - 8; j += 8) {
                    b256 = _mm256_loadu_ps(&B[k*ldb + j]);
                    c256 = _mm256_loadu_ps(&C[i*ldc + j]);
                    // FMA - Intel Haswell (2013), AMD Piledriver (2012)
                    //result256 = _mm256_fmadd_ps(a256, b256, c256);
                    result256 = _mm256_mul_ps(a256, b256);
                    result256 = _mm256_add_ps(result256, c256);
                    _mm256_storeu_ps(&C[i*ldc + j], result256);
                }

            int prev_end = (N % 8 == 0) ? (N - 8) : (N / 8) * 8;
            for (j = prev_end; j < N; ++j)
               C[i*ldc + j] += A_PART*B[k*ldb + j];
         }
      }
   }
   else {
      for (i = 0; i < M; ++i) {
         for (k = 0; k < K; ++k) {
            register float A_PART = ALPHA*A[i*lda + k];
            for (j = 0; j < N; ++j) {
               C[i*ldc + j] += A_PART*B[k*ldb + j];
            }
            /* // SSE
            __m128 a128, b128, c128, result128; // SSE
            a128 = _mm_set1_ps(A_PART);
            for (j = 0; j < N - 4; j += 4) {
            b128 = _mm_loadu_ps(&B[k*ldb + j]);
            c128 = _mm_loadu_ps(&C[i*ldc + j]);
            //result128 = _mm_fmadd_ps(a128, b128, c128);
            result128 = _mm_mul_ps(a128, b128);
            result128 = _mm_add_ps(result128, c128);
            _mm_storeu_ps(&C[i*ldc + j], result128);
            }
                int prev_end = (N % 8 == 0) ? (N - 8) : (N / 8) * 8;
                for (j = prev_end; j < N; ++j)
                    C[i*ldc + j] += A_PART*B[k*ldb + j];
            }
        }
    }
    else {
        for (i = 0; i < M; ++i) {
            for (k = 0; k < K; ++k) {
                register float A_PART = ALPHA*A[i*lda + k];
                for (j = 0; j < N; ++j) {
                    C[i*ldc + j] += A_PART*B[k*ldb + j];
                }
                /* // SSE
                __m128 a128, b128, c128, result128;    // SSE
                a128 = _mm_set1_ps(A_PART);
                for (j = 0; j < N - 4; j += 4) {
                b128 = _mm_loadu_ps(&B[k*ldb + j]);
                c128 = _mm_loadu_ps(&C[i*ldc + j]);
                //result128 = _mm_fmadd_ps(a128, b128, c128);
                result128 = _mm_mul_ps(a128, b128);
                result128 = _mm_add_ps(result128, c128);
                _mm_storeu_ps(&C[i*ldc + j], result128);
                }

            int prev_end = (N % 4 == 0) ? (N - 4) : (N / 4) * 4;
            for (j = prev_end; j < N; ++j){
            C[i*ldc + j] += A_PART*B[k*ldb + j];
            }
            */
         }
      }
   }
                int prev_end = (N % 4 == 0) ? (N - 4) : (N / 4) * 4;
                for (j = prev_end; j < N; ++j){
                C[i*ldc + j] += A_PART*B[k*ldb + j];
                }
                */
            }
        }
    }
}
#else

void gemm_nn(int M, int N, int K, float ALPHA,
   float *A, int lda,
   float *B, int ldb,
   float *C, int ldc)
    float *A, int lda,
    float *B, int ldb,
    float *C, int ldc)
{
   int i, j, k;
   for (i = 0; i < M; ++i) {
      for (k = 0; k < K; ++k) {
         register float A_PART = ALPHA*A[i*lda + k];
         for (j = 0; j < N; ++j) {
            C[i*ldc + j] += A_PART*B[k*ldb + j];
         }
      }
   }
    int i, j, k;
    for (i = 0; i < M; ++i) {
        for (k = 0; k < K; ++k) {
            register float A_PART = ALPHA*A[i*lda + k];
            for (j = 0; j < N; ++j) {
                C[i*ldc + j] += A_PART*B[k*ldb + j];
            }
        }
    }
}
#endif   // __x86_64
#endif    // __x86_64

void gemm_nt(int M, int N, int K, float ALPHA, 
        float *A, int lda, 
@@ -282,18 +282,18 @@
        }
    }

   int t;
   #pragma omp parallel for
   for (t = 0; t < M; ++t) {
      if (!TA && !TB)
         gemm_nn(1, N, K, ALPHA, A + t*lda, lda, B, ldb, C + t*ldc, ldc);
      else if (TA && !TB)
         gemm_tn(1, N, K, ALPHA, A + t, lda, B, ldb, C + t*ldc, ldc);
      else if (!TA && TB)
         gemm_nt(1, N, K, ALPHA, A + t*lda, lda, B, ldb, C + t*ldc, ldc);
      else
         gemm_tt(1, N, K, ALPHA, A + t, lda, B, ldb, C + t*ldc, ldc);
   }
    int t;
    #pragma omp parallel for
    for (t = 0; t < M; ++t) {
        if (!TA && !TB)
            gemm_nn(1, N, K, ALPHA, A + t*lda, lda, B, ldb, C + t*ldc, ldc);
        else if (TA && !TB)
            gemm_tn(1, N, K, ALPHA, A + t, lda, B, ldb, C + t*ldc, ldc);
        else if (!TA && TB)
            gemm_nt(1, N, K, ALPHA, A + t*lda, lda, B, ldb, C + t*ldc, ldc);
        else
            gemm_tt(1, N, K, ALPHA, A + t, lda, B, ldb, C + t*ldc, ldc);
    }
}

#ifdef GPU
@@ -307,7 +307,7 @@
        float *C_gpu, int ldc)
{
    cublasHandle_t handle = blas_handle();
   cudaError_t stream_status = cublasSetStream(handle, get_cuda_stream());
    cudaError_t stream_status = cublasSetStream(handle, get_cuda_stream());
    cudaError_t status = cublasSgemm(handle, (TB ? CUBLAS_OP_T : CUBLAS_OP_N), 
            (TA ? CUBLAS_OP_T : CUBLAS_OP_N), N, M, K, &ALPHA, B_gpu, ldb, A_gpu, lda, &BETA, C_gpu, ldc);
    check_error(status);