Optimized: transpose

AlexeyAB

2018-08-09 3e856ec04ebe3cf072939641ba6cd7871bfefc32

Optimized: transpose

 src/convolutional_layer.c

@@ -637,32 +637,9 @@
    //printf("\n align_weights_size = %d, k = %d, m = %d, lda = %d \n", align_weights_size, k, m, k);
    //printf("\n align_bit_weights_size = %d, k = %d, m = %d, new_lda = %d \n", align_bit_weights_size, k, m, new_ldb);

    // transpose and align B
    int i, j;
    //#pragma omp parallel for
    /*
    for (i = 0; i < n; ++i) {
        for (j = 0; j < k; ++j) {
            t_input[i*new_ldb + j] = b[j*n + i];
        }
    }*/
    //transpose_block_SSE4x4(float *A, float *B, const int n, const int m, const int lda, const int ldb, const int block_size)

    //transpose_block(b, t_input, k, n, n, new_ldb, 16);

    int blocksize = 1;
    int mod_k = 1, mod_n = 1;
    for (i = 2; i < 256; i *= 2)
        if (k % i == 0) mod_k = i;

    for (i = 2; i < 256; i *= 2)
        if (n % i == 0) mod_n = i;

    blocksize = (mod_k < mod_n) ? mod_k : mod_n;

    int blocksize = 64;
    transpose_block_SSE4x4(b, t_input, k, n, n, new_ldb, blocksize);

    //transpose_block(b, t_input, k, n, n, new_ldb, blocksize);
    //printf("\n blocksize = %d \n", blocksize);

    float_to_bit(t_input, *t_bit_input, t_intput_size);

 src/gemm.c

@@ -686,52 +686,55 @@

static inline void transpose4x4_SSE(float *A, float *B, const int lda, const int ldb)
{
    __m128 row1 = _mm_load_ps(&A[0 * lda]);
    __m128 row2 = _mm_load_ps(&A[1 * lda]);
    __m128 row3 = _mm_load_ps(&A[2 * lda]);
    __m128 row4 = _mm_load_ps(&A[3 * lda]);
    __m128 row1 = _mm_loadu_ps(&A[0 * lda]);
    __m128 row2 = _mm_loadu_ps(&A[1 * lda]);
    __m128 row3 = _mm_loadu_ps(&A[2 * lda]);
    __m128 row4 = _mm_loadu_ps(&A[3 * lda]);
    _MM_TRANSPOSE4_PS(row1, row2, row3, row4);
    _mm_store_ps(&B[0 * ldb], row1);
    _mm_store_ps(&B[1 * ldb], row2);
    _mm_store_ps(&B[2 * ldb], row3);
    _mm_store_ps(&B[3 * ldb], row4);
    _mm_storeu_ps(&B[0 * ldb], row1);
    _mm_storeu_ps(&B[1 * ldb], row2);
    _mm_storeu_ps(&B[2 * ldb], row3);
    _mm_storeu_ps(&B[3 * ldb], row4);
}

void transpose_block_SSE4x4(float *A, float *B, const int n, const int m,
    const int lda, const int ldb, const int block_size)
{
    int i;
    if (block_size % 4 == 0) {
        #pragma omp parallel for
        for (i = 0; i < n; i += block_size) {
            int j, i2, j2;
        //int max_i2 = (i + block_size < n) ? (i + block_size) : n;
        if (i + block_size < n) {
            int max_i2 = i + block_size;
            for (j = 0; j < m; j += block_size) {
                int max_i2 = i + block_size < n ? i + block_size : n;
                int max_j2 = j + block_size < m ? j + block_size : m;
                //int max_j2 = (j + block_size < m) ? (j + block_size) : m;
                if (j + block_size < m) {
                    int max_j2 = j + block_size;
                for (i2 = i; i2 < max_i2; i2 += 4) {
                    for (j2 = j; j2 < max_j2; j2 += 4) {
                        transpose4x4_SSE(&A[i2*lda + j2], &B[j2*ldb + i2], lda, ldb);
                    }
                }
            }
                else {
                    for (i2 = i; i2 < max_i2; ++i2) {
                        for (j2 = j; j2 < m; ++j2) {
                            B[j2*ldb + i2] = A[i2*lda + j2];
                        }
                    }
                }
        }
    }
    else {
        #pragma omp parallel for
        for (i = 0; i < n; i += block_size) {
            int j, i2, j2;
            for (j = 0; j < m; j += block_size) {
                int max_i2 = i + block_size < n ? i + block_size : n;
                int max_j2 = j + block_size < m ? j + block_size : m;
                for (i2 = i; i2 < max_i2; ++i2) {
                    for (j2 = j; j2 < max_j2; ++j2) {
            for (i2 = i; i2 < n; ++i2) {
                for (j2 = 0; j2 < m; ++j2) {
                        B[j2*ldb + i2] = A[i2*lda + j2];
                    }
                }
            }
        }
    }
}


#else