src/core/CL/cl_kernels/gemm.cl

   1 /*
   2  * Copyright (c) 2017-2018 ARM Limited.
   3  *
   4  * SPDX-License-Identifier: MIT
   5  *
   6  * Permission is hereby granted, free of charge, to any person obtaining a copy
   7  * of this software and associated documentation files (the "Software"), to
   8  * deal in the Software without restriction, including without limitation the
   9  * rights to use, copy, modify, merge, publish, distribute, sublicense, and/or
  10  * sell copies of the Software, and to permit persons to whom the Software is
  11  * furnished to do so, subject to the following conditions:
  12  *
  13  * The above copyright notice and this permission notice shall be included in all
  14  * copies or substantial portions of the Software.
  15  *
  16  * THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
  17  * IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
  18  * FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
  19  * AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
  20  * LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
  21  * OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
  22  * SOFTWARE.
  23  */
  24 #include "helpers.h"
  25
  26 #ifdef FIXED_POINT_POSITION
  27 #include "fixed_point.h"
  28 #endif // FIXED_POINT_POSITION
  29
  30 #if defined(TRANSPOSE_W) && defined(MULT_TRANSPOSE1XW_WIDTH)
  31
  32 #if ELEMENT_SIZE == 1
  33 #define DATA_TYPE uchar
  34 #elif ELEMENT_SIZE == 2
  35 #define DATA_TYPE ushort
  36 #elif ELEMENT_SIZE == 4
  37 #define DATA_TYPE uint
  38 #else // ELEMENT_SIZE == 1
  39 #error "Element size not supported"
  40 #endif // ELEMENT_SIZE
  41
  42 /** This OpenCL kernel computes the "vector" 1xW transposition of input matrix
  43  *
  44  * @note The transposition width must be passed at compile time using -DTRANSPOSE_W (i.e. -DTRANSPOSE_W)
  45  * @note The multiplication factor for the transposition width (mult_transpose1xW_width) must be passed at compile time using -DMULT_TRANSPOSE1XW_WIDTH (i.e. -DMULT_TRANSPOSE1XW_WIDTH=2)
  46  *
  47  * @param[in]  src_ptr                           Pointer to the source matrix. Supported data types: U8/S8/QS8/QASYMM8/U16/S16/QS16/F16/U32/S32/F32
  48  * @param[in]  src_stride_x                      Stride of the source matrix in X dimension (in bytes)
  49  * @param[in]  src_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
  50  * @param[in]  src_stride_y                      Stride of the source matrix in Y dimension (in bytes)
  51  * @param[in]  src_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
  52  * @param[in]  src_stride_z                      Stride of the source tensor in Z dimension (in bytes)
  53  * @param[in]  src_step_z                        src_stride_z * number of elements along Z processed per workitem(in bytes)
  54  * @param[in]  src_offset_first_element_in_bytes The offset of the first element in the source matrix
  55  * @param[out] dst_ptr                           Pointer to the destination matrix Supported data types: same as @p src_ptr
  56  * @param[in]  dst_stride_x                      Stride of the destination matrix in X dimension (in bytes)
  57  * @param[in]  dst_step_x                        dst_stride_x * number of elements along X processed per workitem(in bytes)
  58  * @param[in]  dst_stride_y                      Stride of the destination matrix in Y dimension (in bytes)
  59  * @param[in]  dst_step_y                        dst_stride_y * number of elements along Y processed per workitem(in bytes)
  60  * @param[in]  dst_stride_z                      Stride of the destination tensor in Z dimension (in bytes)
  61  * @param[in]  dst_step_z                        dst_stride_z * number of elements along Z processed per workitem(in bytes)
  62  * @param[in]  dst_offset_first_element_in_bytes The offset of the first element in the destination matrix
  63  */
  64 __kernel void gemm_transpose1xW(TENSOR3D_DECLARATION(src),
  65                                 TENSOR3D_DECLARATION(dst))
  66 {
  67     uint x = get_global_id(0);
  68     uint y = get_global_id(1);
  69     uint z = get_global_id(2);
  70
  71     // Compute address for Matrix B - source
  72     Tensor3D src = CONVERT_TO_TENSOR3D_STRUCT(src);
  73
  74     // Compute address for Matrix B transposed - destination. X and Y are swapped
  75     uint dst_addr_in_bytes = dst_offset_first_element_in_bytes + y * TRANSPOSE_W * sizeof(DATA_TYPE) * MULT_TRANSPOSE1XW_WIDTH + (x / MULT_TRANSPOSE1XW_WIDTH) * dst_stride_y +
  76                              (x % MULT_TRANSPOSE1XW_WIDTH) * TRANSPOSE_W * sizeof(DATA_TYPE);
  77
  78     // Add offset for batched GEMM
  79     dst_addr_in_bytes += z * dst_stride_z;
  80
  81     VEC_DATA_TYPE(DATA_TYPE, TRANSPOSE_W)
  82     b0 = VLOAD(TRANSPOSE_W)(0, (__global DATA_TYPE *)src.ptr);
  83
  84     VSTORE(TRANSPOSE_W)
  85     (b0, 0, (__global DATA_TYPE *)(dst_ptr + dst_addr_in_bytes));
  86 }
  87 #endif // defined(TRANSPOSE_W) && defined(MULT_TRANSPOSE1XW_WIDTH)
  88
  89 #if defined(MULT_INTERLEAVE4X4_HEIGHT) && defined(DATA_TYPE)
  90
  91 /** This OpenCL kernel reshapes the input matrix transposing each 4x4 block and interleaving the values
  92  *
  93  * @note The data type must be passed at compile time using -DDATA_TYPE (i.e. -DDATA_TYPE=float)
  94  * @note The multiplication factor for the height of the 4x4 interleaved block must be passed at compile time using -DMULT_INTERLEAVE4X4_HEIGHT (i.e. -DMULT_INTERLEAVE4X4_HEIGHT=2)
  95  *
  96  * @param[in]  src_ptr                           Pointer to the source matrix. Supported data types: U8/S8/QS8/QASYMM8/U16/S16/QS16/F16/U32/S32/F32
  97  * @param[in]  src_stride_x                      Stride of the source matrix in X dimension (in bytes)
  98  * @param[in]  src_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
  99  * @param[in]  src_stride_y                      Stride of the source matrix in Y dimension (in bytes)
 100  * @param[in]  src_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
 101  * @param[in]  src_stride_z                      Stride of the source tensor in Z dimension (in bytes)
 102  * @param[in]  src_step_z                        src_stride_z * number of elements along Z processed per workitem(in bytes)
 103  * @param[in]  src_offset_first_element_in_bytes The offset of the first element in the source matrix
 104  * @param[out] dst_ptr                           Pointer to the destination matrix Supported data types: same as @p src_ptr
 105  * @param[in]  dst_stride_x                      Stride of the destination matrix in X dimension (in bytes)
 106  * @param[in]  dst_step_x                        dst_gx_stride_x * number of elements along X processed per workitem(in bytes)
 107  * @param[in]  dst_stride_y                      Stride of the destination matrix in Y dimension (in bytes)
 108  * @param[in]  dst_step_y                        dst_gx_stride_y * number of elements along Y processed per workitem(in bytes)
 109  * @param[in]  dst_stride_z                      Stride of the destination tensor in Z dimension (in bytes)
 110  * @param[in]  dst_step_z                        dst_stride_z * number of elements along Z processed per workitem(in bytes)
 111  * @param[in]  dst_offset_first_element_in_bytes The offset of the first element in the destination matrix
 112  */
 113 __kernel void gemm_interleave4x4(TENSOR3D_DECLARATION(src),
 114                                  TENSOR3D_DECLARATION(dst))
 115 {
 116     // Compute source and destination addresses
 117     uint x = get_global_id(0);
 118     uint y = get_global_id(1);
 119     uint z = get_global_id(2);
 120
 121     // Compute address for source tensor
 122     Tensor3D src = CONVERT_TO_TENSOR3D_STRUCT(src);
 123
 124     // Compute address for Matrix B transposed - destination. X and Y are swapped
 125     uint dst_addr_in_bytes = dst_offset_first_element_in_bytes + x * sizeof(DATA_TYPE) * 16 * MULT_INTERLEAVE4X4_HEIGHT + (y / MULT_INTERLEAVE4X4_HEIGHT) * dst_stride_y +
 126                              (y % MULT_INTERLEAVE4X4_HEIGHT) * 4 * sizeof(DATA_TYPE);
 127
 128     // Add offset for batched GEMM
 129     dst_addr_in_bytes += z * dst_stride_z;
 130
 131     __global uchar *input_ptr = src.ptr;
 132
 133     // Load values from Matrix A
 134     VEC_DATA_TYPE(DATA_TYPE, 4)
 135     a0 = vload4(0, (__global DATA_TYPE *)(input_ptr + 0 * src_stride_y));
 136     VEC_DATA_TYPE(DATA_TYPE, 4)
 137     a1 = vload4(0, (__global DATA_TYPE *)(input_ptr + 1 * src_stride_y));
 138     VEC_DATA_TYPE(DATA_TYPE, 4)
 139     a2 = vload4(0, (__global DATA_TYPE *)(input_ptr + 2 * src_stride_y));
 140     VEC_DATA_TYPE(DATA_TYPE, 4)
 141     a3 = vload4(0, (__global DATA_TYPE *)(input_ptr + 3 * src_stride_y));
 142
 143     VEC_DATA_TYPE(DATA_TYPE, 4)
 144     val0 = (VEC_DATA_TYPE(DATA_TYPE, 4))(a0.s0, a1.s0, a2.s0, a3.s0);
 145     vstore4(val0, 0, ((__global DATA_TYPE *)(dst_ptr + dst_addr_in_bytes) + 0 * MULT_INTERLEAVE4X4_HEIGHT));
 146
 147     val0 = (VEC_DATA_TYPE(DATA_TYPE, 4))(a0.s1, a1.s1, a2.s1, a3.s1);
 148     vstore4(val0, 0, ((__global DATA_TYPE *)(dst_ptr + dst_addr_in_bytes) + 4 * MULT_INTERLEAVE4X4_HEIGHT));
 149
 150     val0 = (VEC_DATA_TYPE(DATA_TYPE, 4))(a0.s2, a1.s2, a2.s2, a3.s2);
 151     vstore4(val0, 0, ((__global DATA_TYPE *)(dst_ptr + dst_addr_in_bytes) + 8 * MULT_INTERLEAVE4X4_HEIGHT));
 152
 153     val0 = (VEC_DATA_TYPE(DATA_TYPE, 4))(a0.s3, a1.s3, a2.s3, a3.s3);
 154     vstore4(val0, 0, ((__global DATA_TYPE *)(dst_ptr + dst_addr_in_bytes) + 12 * MULT_INTERLEAVE4X4_HEIGHT));
 155 }
 156 #endif // defined(MULT_INTERLEAVE4X4_HEIGHT) && defined(DATA_TYPE)
 157
 158 #if defined(COLS_B) && defined(MULT_TRANSPOSE1XW_WIDTH) && defined(MULT_INTERLEAVE4X4_HEIGHT)
 159 /** This OpenCL kernel is optimised for Midgard. It computes the matrix multiplication between matrix A (src0) and matrix B (src1)
 160  *  Matrix A and matrix B must be reshaped respectively with @ref gemm_interleave4x4_32bit and @ref gemm_transpose1x4 before running the matrix multiplication
 161  *
 162  * @note The number of columns of matrix B and the optional alpha's value need to be passed at compile time using -DCOLS_B and -DALPHA
 163  * @note The multiplication factor for the transposition width (mult_transpose1xW_width) must be passed at compile time using -DMULT_TRANSPOSE1XW_WIDTH (i.e. -DMULT_TRANSPOSE1XW_WIDTH=2)
 164  * @note The multiplication factor for the height of the 4x4 interleaved block must be passed at compile time using -DMULT_INTERLEAVE4X4_HEIGHT (i.e. -DMULT_INTERLEAVE4X4_HEIGHT=2)
 165  * @note In case the matrix B has 3 dimensions and the matrix A more than 3, in order to avoid out-of-bounds reads, the number of channels of matrix B must be passed at compile time using MATRIX_B_DEPTH (i.e. -DMATRIX_B_DEPTH=16)
 166  *       This case can happen when GEMM is used to perform the element-wise multiplication through a batched matrix multiplication (2D Winograd) and we have multiple inputs (i.e. a = [K, M, 16, Batches], b = [N, K, 16])
 167  *
 168  * @param[in]  src0_ptr                           Pointer to the source matrix. Supported data types: F32
 169  * @param[in]  src0_stride_x                      Stride of the source matrix in X dimension (in bytes)
 170  * @param[in]  src0_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
 171  * @param[in]  src0_stride_y                      Stride of the source matrix in Y dimension (in bytes)
 172  * @param[in]  src0_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
 173  * @param[in]  src0_offset_first_element_in_bytes The offset of the first element in the source matrix
 174  * @param[in]  src1_ptr                           Pointer to the source matrix. Supported data types: same as @p src0_ptr
 175  * @param[in]  src1_stride_x                      Stride of the source matrix in X dimension (in bytes)
 176  * @param[in]  src1_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
 177  * @param[in]  src1_stride_y                      Stride of the source matrix in Y dimension (in bytes)
 178  * @param[in]  src1_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
 179  * @param[in]  src1_offset_first_element_in_bytes The offset of the first element in the source matrix
 180  * @param[out] dst_ptr                            Pointer to the destination matrix Supported data types: same as @p src0_ptr
 181  * @param[in]  dst_stride_x                       Stride of the destination matrix in X dimension (in bytes)
 182  * @param[in]  dst_step_x                         dst_stride_x * number of elements along X processed per workitem(in bytes)
 183  * @param[in]  dst_stride_y                       Stride of the destination matrix in Y dimension (in bytes)
 184  * @param[in]  dst_step_y                         dst_stride_y * number of elements along Y processed per workitem(in bytes)
 185  * @param[in]  dst_offset_first_element_in_bytes  The offset of the first element in the destination matrix
 186  */
 187 __kernel void gemm_mm_interleaved_transposed_f32(IMAGE_DECLARATION(src0),
 188                                                  IMAGE_DECLARATION(src1),
 189                                                  IMAGE_DECLARATION(dst),
 190                                                  uint src0_stride_z,
 191                                                  uint src1_stride_z,
 192                                                  uint dst_stride_z)
 193 {
 194     int x = get_global_id(0) / MULT_TRANSPOSE1XW_WIDTH;
 195     int y = get_global_id(1) / MULT_INTERLEAVE4X4_HEIGHT;
 196     int z = get_global_id(2);
 197
 198     // Offset
 199     const int offset_row_a = (get_global_id(1) % MULT_INTERLEAVE4X4_HEIGHT) * 4;
 200     const int offset_row_b = (get_global_id(0) % MULT_TRANSPOSE1XW_WIDTH) * 4;
 201
 202     // src_addr_a = address of matrix A
 203     // src_addr_b = address of matrix B
 204     int src0_addr_in_bytes = z * src0_stride_z + y * src0_stride_y + src0_offset_first_element_in_bytes;
 205     int src1_addr_in_bytes = x * src1_stride_y + src1_offset_first_element_in_bytes;
 206
 207 #if defined(MATRIX_B_DEPTH)
 208     // Do not slide matrix B if the matrix B has 3 dimensions and matrix A more than 3
 209     src1_addr_in_bytes += (z % MATRIX_B_DEPTH) * src1_stride_z;
 210 #else  // defined(MATRIX_B_DEPTH)
 211     src1_addr_in_bytes += z * src1_stride_z;
 212 #endif // defined(MATRIX_B_DEPTH)
 213
 214     __global float *src_addr_a = (__global float *)(src0_ptr + src0_addr_in_bytes);
 215     __global float *src_addr_b = (__global float *)(src1_ptr + src1_addr_in_bytes);
 216
 217     // Compute end row address for matrix B
 218     __global float *src_end_addr_b = src_addr_b + COLS_B;
 219
 220     src_addr_a += offset_row_a;
 221     src_addr_b += offset_row_b;
 222
 223     // Reset accumulators
 224     float4 c00 = 0.0f;
 225     float4 c10 = 0.0f;
 226     float4 c20 = 0.0f;
 227     float4 c30 = 0.0f;
 228
 229     for(; src_addr_b <= (src_end_addr_b - (int)(8 * MULT_TRANSPOSE1XW_WIDTH)); src_addr_a += 8 * MULT_INTERLEAVE4X4_HEIGHT, src_addr_b += 8 * MULT_TRANSPOSE1XW_WIDTH)
 230     {
 231         // Load values from matrix A (interleaved) and matrix B (transposed)
 232         float4 a0 = vload4(0, src_addr_a);
 233         float4 b0 = vload4(0, src_addr_b);
 234
 235         c00 += (float4)a0.s0 * b0;
 236         c10 += (float4)a0.s1 * b0;
 237         c20 += (float4)a0.s2 * b0;
 238         c30 += (float4)a0.s3 * b0;
 239
 240         // Load values from matrix A (interleaved) and matrix B (transposed)
 241         a0 = vload4(0, src_addr_a + 4 * MULT_INTERLEAVE4X4_HEIGHT);
 242         b0 = vload4(0, src_addr_b + 4 * MULT_TRANSPOSE1XW_WIDTH);
 243
 244         c00 += (float4)a0.s0 * b0;
 245         c10 += (float4)a0.s1 * b0;
 246         c20 += (float4)a0.s2 * b0;
 247         c30 += (float4)a0.s3 * b0;
 248     }
 249
 250     for(; src_addr_b < src_end_addr_b; src_addr_a += 4 * MULT_INTERLEAVE4X4_HEIGHT, src_addr_b += 4 * MULT_TRANSPOSE1XW_WIDTH)
 251     {
 252         // Load values from matrix A (interleaved) and matrix B (transposed)
 253         float4 a0 = vload4(0, src_addr_a);
 254         float4 b0 = vload4(0, src_addr_b);
 255
 256         c00 += (float4)a0.s0 * b0;
 257         c10 += (float4)a0.s1 * b0;
 258         c20 += (float4)a0.s2 * b0;
 259         c30 += (float4)a0.s3 * b0;
 260     }
 261
 262     // Compute destination address
 263     Image dst = CONVERT_TO_IMAGE_STRUCT(dst);
 264
 265 #if defined(ALPHA)
 266     // Multiply by the weight of matrix product
 267     c00 = c00 * (float4)ALPHA;
 268     c10 = c10 * (float4)ALPHA;
 269     c20 = c20 * (float4)ALPHA;
 270     c30 = c30 * (float4)ALPHA;
 271 #endif // defined(ALPHA)
 272
 273     // Compute dst address
 274     __global uchar *dst_addr = offset(&dst, 0, 0);
 275
 276     // Add offset for batched GEMM
 277     dst_addr += z * dst_stride_z;
 278
 279     // Store 4x4 block
 280     vstore4(c00, 0, (__global float *)(dst_addr + 0 * dst_stride_y));
 281     vstore4(c10, 0, (__global float *)(dst_addr + 1 * dst_stride_y));
 282     vstore4(c20, 0, (__global float *)(dst_addr + 2 * dst_stride_y));
 283     vstore4(c30, 0, (__global float *)(dst_addr + 3 * dst_stride_y));
 284 }
 285
 286 /** This OpenCL kernel is optimized for Bifrost. It computes the matrix multiplication between matrix A (src0) and matrix B (src1)
 287  *  Matrix A and matrix B must be reshaped respectively with @ref gemm_interleave4x4_32bit and @ref gemm_transpose1x4 before running the matrix multiplication
 288  *
 289  * @note The number of columns of matrix B and the optional alpha's value need to be passed at compile time using -DCOLS_B and -DALPHA
 290  * @note The multiplication factor for the transposition width (mult_transpose1xW_width) must be passed at compile time using -DMULT_TRANSPOSE1XW_WIDTH (i.e. -DMULT_TRANSPOSE1XW_WIDTH=2)
 291  * @note The multiplication factor for the height of the 4x4 interleaved block must be passed at compile time using -DMULT_INTERLEAVE4X4_HEIGHT (i.e. -DMULT_INTERLEAVE4X4_HEIGHT=2)
 292  * @note The multiplication factor for the height of the 4x4 interleaved block must be passed at compile time using -DMULT_INTERLEAVE4X4_HEIGHT (i.e. -DMULT_INTERLEAVE4X4_HEIGHT=2)
 293  * @note In case the matrix B has 3 dimensions and the matrix A more than 3, in order to avoid out-of-bounds reads, the number of channels of matrix B must be passed at compile time using MATRIX_B_DEPTH (i.e. -DMATRIX_B_DEPTH=16)
 294  *       This case can happen when GEMM is used to perform the element-wise multiplication through a batched matrix multiplication (2D Winograd) and we have multiple inputs (i.e. a = [K, M, 16, Batches], b = [N, K, 16])
 295  *
 296  * @param[in]  src0_ptr                           Pointer to the source matrix. Supported data types: F32
 297  * @param[in]  src0_stride_x                      Stride of the source matrix in X dimension (in bytes)
 298  * @param[in]  src0_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
 299  * @param[in]  src0_stride_y                      Stride of the source matrix in Y dimension (in bytes)
 300  * @param[in]  src0_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
 301  * @param[in]  src0_offset_first_element_in_bytes The offset of the first element in the source matrix
 302  * @param[in]  src1_ptr                           Pointer to the source matrix. Supported data types: same as @p src0_ptr
 303  * @param[in]  src1_stride_x                      Stride of the source matrix in X dimension (in bytes)
 304  * @param[in]  src1_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
 305  * @param[in]  src1_stride_y                      Stride of the source matrix in Y dimension (in bytes)
 306  * @param[in]  src1_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
 307  * @param[in]  src1_offset_first_element_in_bytes The offset of the first element in the source matrix
 308  * @param[out] dst_ptr                            Pointer to the destination matrix Supported data types: same as @p src0_ptr
 309  * @param[in]  dst_stride_x                       Stride of the destination matrix in X dimension (in bytes)
 310  * @param[in]  dst_step_x                         dst_stride_x * number of elements along X processed per workitem(in bytes)
 311  * @param[in]  dst_stride_y                       Stride of the destination matrix in Y dimension (in bytes)
 312  * @param[in]  dst_step_y                         dst_stride_y * number of elements along Y processed per workitem(in bytes)
 313  * @param[in]  dst_offset_first_element_in_bytes  The offset of the first element in the destination matrix
 314  */
 315 __kernel void gemm_mm_interleaved_transposed_f32_bifrost(IMAGE_DECLARATION(src0),
 316                                                          IMAGE_DECLARATION(src1),
 317                                                          IMAGE_DECLARATION(dst),
 318                                                          uint src0_stride_z,
 319                                                          uint src1_stride_z,
 320                                                          uint dst_stride_z)
 321 {
 322     int x = get_global_id(0) / MULT_TRANSPOSE1XW_WIDTH;
 323     int y = get_global_id(1) / MULT_INTERLEAVE4X4_HEIGHT;
 324     int z = get_global_id(2);
 325
 326     // Offset
 327     const int offset_row_a = (get_global_id(1) % MULT_INTERLEAVE4X4_HEIGHT) * 4;
 328     const int offset_row_b = (get_global_id(0) % MULT_TRANSPOSE1XW_WIDTH) * 4;
 329
 330     // src_addr_a = address of matrix A
 331     // src_addr_b = address of matrix B
 332     int src0_addr_in_bytes = z * src0_stride_z + y * src0_stride_y + src0_offset_first_element_in_bytes;
 333     int src1_addr_in_bytes = x * src1_stride_y + src1_offset_first_element_in_bytes;
 334
 335 #if defined(MATRIX_B_DEPTH)
 336     // Do not slide matrix B if the matrix B has 3 dimensions and matrix A more than 3
 337     src1_addr_in_bytes += (z % MATRIX_B_DEPTH) * src1_stride_z;
 338 #else  // defined(MATRIX_B_DEPTH)
 339     src1_addr_in_bytes += z * src1_stride_z;
 340 #endif // defined(MATRIX_B_DEPTH)
 341
 342     __global float *src_addr_a = (__global float *)(src0_ptr + src0_addr_in_bytes);
 343     __global float *src_addr_b = (__global float *)(src1_ptr + src1_addr_in_bytes);
 344
 345     src_addr_a += offset_row_a;
 346     src_addr_b += offset_row_b;
 347
 348     // Reset accumulators
 349     float c00 = 0.0f;
 350     float c01 = 0.0f;
 351     float c02 = 0.0f;
 352     float c03 = 0.0f;
 353     float c10 = 0.0f;
 354     float c11 = 0.0f;
 355     float c12 = 0.0f;
 356     float c13 = 0.0f;
 357     float c20 = 0.0f;
 358     float c21 = 0.0f;
 359     float c22 = 0.0f;
 360     float c23 = 0.0f;
 361     float c30 = 0.0f;
 362     float c31 = 0.0f;
 363     float c32 = 0.0f;
 364     float c33 = 0.0f;
 365
 366 #define COLS_MTX_B (COLS_B / (4 * MULT_TRANSPOSE1XW_WIDTH))
 367
 368     int i = 0;
 369     for(; i <= (int)(COLS_MTX_B - 4); i += 4)
 370     {
 371         // Load values from matrix A (interleaved) and matrix B (transposed)
 372         float4 a0 = vload4(0, src_addr_a);
 373         float4 b0 = vload4(0, src_addr_b);
 374
 375         src_addr_a += 4 * MULT_INTERLEAVE4X4_HEIGHT;
 376         src_addr_b += 4 * MULT_TRANSPOSE1XW_WIDTH;
 377
 378         c00 = fma(a0.s0, b0.s0, c00);
 379         c01 = fma(a0.s0, b0.s1, c01);
 380         c02 = fma(a0.s0, b0.s2, c02);
 381         c03 = fma(a0.s0, b0.s3, c03);
 382
 383         c10 = fma(a0.s1, b0.s0, c10);
 384         c11 = fma(a0.s1, b0.s1, c11);
 385         c12 = fma(a0.s1, b0.s2, c12);
 386         c13 = fma(a0.s1, b0.s3, c13);
 387
 388         c20 = fma(a0.s2, b0.s0, c20);
 389         c21 = fma(a0.s2, b0.s1, c21);
 390         c22 = fma(a0.s2, b0.s2, c22);
 391         c23 = fma(a0.s2, b0.s3, c23);
 392
 393         c30 = fma(a0.s3, b0.s0, c30);
 394         c31 = fma(a0.s3, b0.s1, c31);
 395         c32 = fma(a0.s3, b0.s2, c32);
 396         c33 = fma(a0.s3, b0.s3, c33);
 397
 398         // Load values from matrix A (interleaved) and matrix B (transposed)
 399         a0 = vload4(0, src_addr_a);
 400         b0 = vload4(0, src_addr_b);
 401
 402         src_addr_a += 4 * MULT_INTERLEAVE4X4_HEIGHT;
 403         src_addr_b += 4 * MULT_TRANSPOSE1XW_WIDTH;
 404
 405         c00 = fma(a0.s0, b0.s0, c00);
 406         c01 = fma(a0.s0, b0.s1, c01);
 407         c02 = fma(a0.s0, b0.s2, c02);
 408         c03 = fma(a0.s0, b0.s3, c03);
 409
 410         c10 = fma(a0.s1, b0.s0, c10);
 411         c11 = fma(a0.s1, b0.s1, c11);
 412         c12 = fma(a0.s1, b0.s2, c12);
 413         c13 = fma(a0.s1, b0.s3, c13);
 414
 415         c20 = fma(a0.s2, b0.s0, c20);
 416         c21 = fma(a0.s2, b0.s1, c21);
 417         c22 = fma(a0.s2, b0.s2, c22);
 418         c23 = fma(a0.s2, b0.s3, c23);
 419
 420         c30 = fma(a0.s3, b0.s0, c30);
 421         c31 = fma(a0.s3, b0.s1, c31);
 422         c32 = fma(a0.s3, b0.s2, c32);
 423         c33 = fma(a0.s3, b0.s3, c33);
 424
 425         // Load values from matrix A (interleaved) and matrix B (transposed)
 426         a0 = vload4(0, src_addr_a);
 427         b0 = vload4(0, src_addr_b);
 428
 429         src_addr_a += 4 * MULT_INTERLEAVE4X4_HEIGHT;
 430         src_addr_b += 4 * MULT_TRANSPOSE1XW_WIDTH;
 431
 432         c00 = fma(a0.s0, b0.s0, c00);
 433         c01 = fma(a0.s0, b0.s1, c01);
 434         c02 = fma(a0.s0, b0.s2, c02);
 435         c03 = fma(a0.s0, b0.s3, c03);
 436
 437         c10 = fma(a0.s1, b0.s0, c10);
 438         c11 = fma(a0.s1, b0.s1, c11);
 439         c12 = fma(a0.s1, b0.s2, c12);
 440         c13 = fma(a0.s1, b0.s3, c13);
 441
 442         c20 = fma(a0.s2, b0.s0, c20);
 443         c21 = fma(a0.s2, b0.s1, c21);
 444         c22 = fma(a0.s2, b0.s2, c22);
 445         c23 = fma(a0.s2, b0.s3, c23);
 446
 447         c30 = fma(a0.s3, b0.s0, c30);
 448         c31 = fma(a0.s3, b0.s1, c31);
 449         c32 = fma(a0.s3, b0.s2, c32);
 450         c33 = fma(a0.s3, b0.s3, c33);
 451
 452         // Load values from matrix A (interleaved) and matrix B (transposed)
 453         a0 = vload4(0, src_addr_a);
 454         b0 = vload4(0, src_addr_b);
 455
 456         src_addr_a += 4 * MULT_INTERLEAVE4X4_HEIGHT;
 457         src_addr_b += 4 * MULT_TRANSPOSE1XW_WIDTH;
 458
 459         c00 = fma(a0.s0, b0.s0, c00);
 460         c01 = fma(a0.s0, b0.s1, c01);
 461         c02 = fma(a0.s0, b0.s2, c02);
 462         c03 = fma(a0.s0, b0.s3, c03);
 463
 464         c10 = fma(a0.s1, b0.s0, c10);
 465         c11 = fma(a0.s1, b0.s1, c11);
 466         c12 = fma(a0.s1, b0.s2, c12);
 467         c13 = fma(a0.s1, b0.s3, c13);
 468
 469         c20 = fma(a0.s2, b0.s0, c20);
 470         c21 = fma(a0.s2, b0.s1, c21);
 471         c22 = fma(a0.s2, b0.s2, c22);
 472         c23 = fma(a0.s2, b0.s3, c23);
 473
 474         c30 = fma(a0.s3, b0.s0, c30);
 475         c31 = fma(a0.s3, b0.s1, c31);
 476         c32 = fma(a0.s3, b0.s2, c32);
 477         c33 = fma(a0.s3, b0.s3, c33);
 478     }
 479
 480     for(; i < (int)(COLS_MTX_B); ++i)
 481     {
 482         // Load values from matrix A (interleaved) and matrix B (transposed)
 483         float4 a0 = vload4(0, src_addr_a);
 484         float4 b0 = vload4(0, src_addr_b);
 485
 486         src_addr_a += 4 * MULT_INTERLEAVE4X4_HEIGHT;
 487         src_addr_b += 4 * MULT_TRANSPOSE1XW_WIDTH;
 488
 489         c00 = fma(a0.s0, b0.s0, c00);
 490         c01 = fma(a0.s0, b0.s1, c01);
 491         c02 = fma(a0.s0, b0.s2, c02);
 492         c03 = fma(a0.s0, b0.s3, c03);
 493
 494         c10 = fma(a0.s1, b0.s0, c10);
 495         c11 = fma(a0.s1, b0.s1, c11);
 496         c12 = fma(a0.s1, b0.s2, c12);
 497         c13 = fma(a0.s1, b0.s3, c13);
 498
 499         c20 = fma(a0.s2, b0.s0, c20);
 500         c21 = fma(a0.s2, b0.s1, c21);
 501         c22 = fma(a0.s2, b0.s2, c22);
 502         c23 = fma(a0.s2, b0.s3, c23);
 503
 504         c30 = fma(a0.s3, b0.s0, c30);
 505         c31 = fma(a0.s3, b0.s1, c31);
 506         c32 = fma(a0.s3, b0.s2, c32);
 507         c33 = fma(a0.s3, b0.s3, c33);
 508     }
 509
 510     // Compute destination address
 511     Image dst = CONVERT_TO_IMAGE_STRUCT(dst);
 512
 513 #if defined(ALPHA)
 514     // Multiply by the weight of matrix product
 515     c00 = c00 * ALPHA;
 516     c01 = c01 * ALPHA;
 517     c02 = c02 * ALPHA;
 518     c03 = c03 * ALPHA;
 519     c10 = c10 * ALPHA;
 520     c11 = c11 * ALPHA;
 521     c12 = c12 * ALPHA;
 522     c13 = c13 * ALPHA;
 523     c20 = c20 * ALPHA;
 524     c21 = c21 * ALPHA;
 525     c22 = c22 * ALPHA;
 526     c23 = c23 * ALPHA;
 527     c30 = c30 * ALPHA;
 528     c31 = c31 * ALPHA;
 529     c32 = c32 * ALPHA;
 530     c33 = c33 * ALPHA;
 531 #endif // defined(ALPHA)
 532
 533     // Compute dst address
 534     __global uchar *dst_addr = offset(&dst, 0, 0);
 535
 536     // Add offset for batched GEMM
 537     dst_addr += z * dst_stride_z;
 538
 539     // Store 4x4 block
 540     vstore4((float4)(c00, c01, c02, c03), 0, (__global float *)(dst_addr + 0 * dst_stride_y));
 541     vstore4((float4)(c10, c11, c12, c13), 0, (__global float *)(dst_addr + 1 * dst_stride_y));
 542     vstore4((float4)(c20, c21, c22, c23), 0, (__global float *)(dst_addr + 2 * dst_stride_y));
 543     vstore4((float4)(c30, c31, c32, c33), 0, (__global float *)(dst_addr + 3 * dst_stride_y));
 544 }
 545
 546 // Undefine local defines
 547 #undef COLS_MTX_B
 548
 549 #if defined(ARM_COMPUTE_OPENCL_FP16_ENABLED)
 550 /** This OpenCL kernel computes the matrix multiplication between matrix A (src0) and matrix B (src1)
 551  *  Matrix A and matrix B must be reshaped respectively with @ref gemm_interleave4x4_16bit and @ref gemm_transpose1x8 before running the matrix multiplication
 552  *
 553  * @note The number of columns of matrix B and the optional alpha's value need to be passed at compile time using -DCOLS_B and -DALPHA
 554  * @note The multiplication factor for the transposition width (mult_transpose1xW_width) must be passed at compile time using -DMULT_TRANSPOSE1XW_WIDTH (i.e. -DMULT_TRANSPOSE1XW_WIDTH=2)
 555  * @note The multiplication factor for the height of the 4x4 interleaved block must be passed at compile time using -DMULT_INTERLEAVE4X4_HEIGHT (i.e. -DMULT_INTERLEAVE4X4_HEIGHT=2)
 556  * @note In case the matrix B has 3 dimensions and the matrix A more than 3, in order to avoid out-of-bounds reads, the number of channels of matrix B must be passed at compile time using MATRIX_B_DEPTH (i.e. -DMATRIX_B_DEPTH=16)
 557  *       This case can happen when GEMM is used to perform the element-wise multiplication through a batched matrix multiplication (2D Winograd) and we have multiple inputs (i.e. a = [K, M, 16, Batches], b = [N, K, 16])
 558  *
 559  * @param[in]  src0_ptr                           Pointer to the source matrix. Supported data types: F16
 560  * @param[in]  src0_stride_x                      Stride of the source matrix in X dimension (in bytes)
 561  * @param[in]  src0_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
 562  * @param[in]  src0_stride_y                      Stride of the source matrix in Y dimension (in bytes)
 563  * @param[in]  src0_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
 564  * @param[in]  src0_offset_first_element_in_bytes The offset of the first element in the source matrix
 565  * @param[in]  src1_ptr                           Pointer to the source matrix. Supported data types: same as @p src0_ptr
 566  * @param[in]  src1_stride_x                      Stride of the source matrix in X dimension (in bytes)
 567  * @param[in]  src1_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
 568  * @param[in]  src1_stride_y                      Stride of the source matrix in Y dimension (in bytes)
 569  * @param[in]  src1_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
 570  * @param[in]  src1_offset_first_element_in_bytes The offset of the first element in the source matrix
 571  * @param[out] dst_ptr                            Pointer to the destination matrix Supported data types: same as @p src0_ptr
 572  * @param[in]  dst_stride_x                       Stride of the destination matrix in X dimension (in bytes)
 573  * @param[in]  dst_step_x                         dst_stride_x * number of elements along X processed per workitem(in bytes)
 574  * @param[in]  dst_stride_y                       Stride of the destination matrix in Y dimension (in bytes)
 575  * @param[in]  dst_step_y                         dst_stride_y * number of elements along Y processed per workitem(in bytes)
 576  * @param[in]  dst_offset_first_element_in_bytes  The offset of the first element in the destination matrix
 577  */
 578 __kernel void gemm_mm_interleaved_transposed_f16(IMAGE_DECLARATION(src0),
 579                                                  IMAGE_DECLARATION(src1),
 580                                                  IMAGE_DECLARATION(dst),
 581                                                  uint src0_stride_z,
 582                                                  uint src1_stride_z,
 583                                                  uint dst_stride_z)
 584 {
 585     int x = get_global_id(0) / MULT_TRANSPOSE1XW_WIDTH;
 586     int y = get_global_id(1) / MULT_INTERLEAVE4X4_HEIGHT;
 587     int z = get_global_id(2);
 588
 589     // Offset
 590     const int offset_row_a = (get_global_id(1) % MULT_INTERLEAVE4X4_HEIGHT) * 4;
 591     const int offset_row_b = (get_global_id(0) % MULT_TRANSPOSE1XW_WIDTH) * 8;
 592
 593     // src_addr_a = address of matrix A
 594     // src_addr_b = address of matrix B
 595     int src0_addr_in_bytes = z * src0_stride_z + y * src0_stride_y + src0_offset_first_element_in_bytes;
 596     int src1_addr_in_bytes = x * src1_stride_y + src1_offset_first_element_in_bytes;
 597
 598 #if defined(MATRIX_B_DEPTH)
 599     // Do not slide matrix B if the matrix B has 3 dimensions and matrix A more than 3
 600     src1_addr_in_bytes += (z % MATRIX_B_DEPTH) * src1_stride_z;
 601 #else  // defined(MATRIX_B_DEPTH)
 602     src1_addr_in_bytes += z * src1_stride_z;
 603 #endif // defined(MATRIX_B_DEPTH)
 604
 605     __global half *src_addr_a = (__global half *)(src0_ptr + src0_addr_in_bytes);
 606     __global half *src_addr_b = (__global half *)(src1_ptr + src1_addr_in_bytes);
 607
 608     // Compute end row address for matrix B
 609     __global half *src_end_addr_b = src_addr_b + COLS_B;
 610
 611     src_addr_a += offset_row_a;
 612     src_addr_b += offset_row_b;
 613
 614     // Reset accumulators
 615     half8 c00 = 0.0f;
 616     half8 c10 = 0.0f;
 617     half8 c20 = 0.0f;
 618     half8 c30 = 0.0f;
 619
 620     for(; src_addr_b <= (src_end_addr_b - (int)(16 * MULT_TRANSPOSE1XW_WIDTH)); src_addr_a += 8 * MULT_INTERLEAVE4X4_HEIGHT, src_addr_b += 16 * MULT_TRANSPOSE1XW_WIDTH)
 621     {
 622         // Load values from matrix A (interleaved) and matrix B (transposed)
 623         half4 a0 = vload4(0, src_addr_a);
 624         half8 b0 = vload8(0, src_addr_b);
 625
 626         c00 += (half8)a0.s0 * b0;
 627         c10 += (half8)a0.s1 * b0;
 628         c20 += (half8)a0.s2 * b0;
 629         c30 += (half8)a0.s3 * b0;
 630
 631         // Load values from matrix A (interleaved) and matrix B (transposed)
 632         a0 = vload4(0, src_addr_a + 4 * MULT_INTERLEAVE4X4_HEIGHT);
 633         b0 = vload8(0, src_addr_b + 8 * MULT_TRANSPOSE1XW_WIDTH);
 634
 635         c00 += (half8)a0.s0 * b0;
 636         c10 += (half8)a0.s1 * b0;
 637         c20 += (half8)a0.s2 * b0;
 638         c30 += (half8)a0.s3 * b0;
 639     }
 640
 641     for(; src_addr_b < src_end_addr_b; src_addr_a += 4 * MULT_INTERLEAVE4X4_HEIGHT, src_addr_b += 8 * MULT_TRANSPOSE1XW_WIDTH)
 642     {
 643         // Load values from matrix A (interleaved) and matrix B (transposed)
 644         half4 a0 = vload4(0, src_addr_a);
 645         half8 b0 = vload8(0, src_addr_b);
 646
 647         c00 += (half8)a0.s0 * b0;
 648         c10 += (half8)a0.s1 * b0;
 649         c20 += (half8)a0.s2 * b0;
 650         c30 += (half8)a0.s3 * b0;
 651     }
 652
 653     // Compute destination address
 654     Image dst = CONVERT_TO_IMAGE_STRUCT(dst);
 655
 656 #if defined(ALPHA)
 657     // Multiply by the weight of matrix product
 658     c00 = c00 * (half8)ALPHA;
 659     c10 = c10 * (half8)ALPHA;
 660     c20 = c20 * (half8)ALPHA;
 661     c30 = c30 * (half8)ALPHA;
 662 #endif // defined(ALPHA)
 663
 664     // Compute dst address
 665     __global uchar *dst_addr = offset(&dst, 0, 0);
 666
 667     // Add offset for batched GEMM
 668     dst_addr += z * dst_stride_z;
 669
 670     // Store 4x8 block
 671     vstore8(c00, 0, (__global half *)(dst_addr + 0 * dst_stride_y));
 672     vstore8(c10, 0, (__global half *)(dst_addr + 1 * dst_stride_y));
 673     vstore8(c20, 0, (__global half *)(dst_addr + 2 * dst_stride_y));
 674     vstore8(c30, 0, (__global half *)(dst_addr + 3 * dst_stride_y));
 675 }
 676
 677 /** This OpenCL kernel optimized for Bifrost architectures computes the matrix multiplication between matrix A (src0) and matrix B (src1)
 678  *  Matrix A and matrix B must be reshaped respectively with @ref gemm_interleave4x4_16bit and @ref gemm_transpose1x8 before running the matrix multiplication
 679  *
 680  * @note The number of columns of matrix B and the optional alpha's value need to be passed at compile time using -DCOLS_B and -DALPHA
 681  * @note The multiplication factor for the transposition width (mult_transpose1xW_width) must be passed at compile time using -DMULT_TRANSPOSE1XW_WIDTH (i.e. -DMULT_TRANSPOSE1XW_WIDTH=2)
 682  * @note The multiplication factor for the height of the 4x4 interleaved block must be passed at compile time using -DMULT_INTERLEAVE4X4_HEIGHT (i.e. -DMULT_INTERLEAVE4X4_HEIGHT=2)
 683  * @note In case the matrix B has 3 dimensions and the matrix A more than 3, in order to avoid out-of-bounds reads, the number of channels of matrix B must be passed at compile time using MATRIX_B_DEPTH (i.e. -DMATRIX_B_DEPTH=16)
 684  *       This case can happen when GEMM is used to perform the element-wise multiplication through a batched matrix multiplication (2D Winograd) and we have multiple inputs (i.e. a = [K, M, 16, Batches], b = [N, K, 16])
 685  *
 686  * @param[in]  src0_ptr                           Pointer to the source matrix. Supported data types: F16
 687  * @param[in]  src0_stride_x                      Stride of the source matrix in X dimension (in bytes)
 688  * @param[in]  src0_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
 689  * @param[in]  src0_stride_y                      Stride of the source matrix in Y dimension (in bytes)
 690  * @param[in]  src0_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
 691  * @param[in]  src0_offset_first_element_in_bytes The offset of the first element in the source matrix
 692  * @param[in]  src1_ptr                           Pointer to the source matrix. Supported data types: same as @p src0_ptr
 693  * @param[in]  src1_stride_x                      Stride of the source matrix in X dimension (in bytes)
 694  * @param[in]  src1_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
 695  * @param[in]  src1_stride_y                      Stride of the source matrix in Y dimension (in bytes)
 696  * @param[in]  src1_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
 697  * @param[in]  src1_offset_first_element_in_bytes The offset of the first element in the source matrix
 698  * @param[out] dst_ptr                            Pointer to the destination matrix Supported data types: same as @p src0_ptr
 699  * @param[in]  dst_stride_x                       Stride of the destination matrix in X dimension (in bytes)
 700  * @param[in]  dst_step_x                         dst_stride_x * number of elements along X processed per workitem(in bytes)
 701  * @param[in]  dst_stride_y                       Stride of the destination matrix in Y dimension (in bytes)
 702  * @param[in]  dst_step_y                         dst_stride_y * number of elements along Y processed per workitem(in bytes)
 703  * @param[in]  dst_offset_first_element_in_bytes  The offset of the first element in the destination matrix
 704  */
 705 __kernel void gemm_mm_interleaved_transposed_f16_bifrost(IMAGE_DECLARATION(src0),
 706                                                          IMAGE_DECLARATION(src1),
 707                                                          IMAGE_DECLARATION(dst),
 708                                                          uint src0_stride_z,
 709                                                          uint src1_stride_z,
 710                                                          uint dst_stride_z)
 711 {
 712     int x = get_global_id(0) / MULT_TRANSPOSE1XW_WIDTH;
 713     int y = get_global_id(1) / MULT_INTERLEAVE4X4_HEIGHT;
 714     int z = get_global_id(2);
 715
 716     // Offset
 717     const int offset_row_a = (get_global_id(1) % MULT_INTERLEAVE4X4_HEIGHT) * 4;
 718     const int offset_row_b = (get_global_id(0) % MULT_TRANSPOSE1XW_WIDTH) * 8;
 719
 720     // src_addr_a = address of matrix A
 721     // src_addr_b = address of matrix B
 722     int src0_addr_in_bytes = z * src0_stride_z + y * src0_stride_y + src0_offset_first_element_in_bytes;
 723     int src1_addr_in_bytes = x * src1_stride_y + src1_offset_first_element_in_bytes;
 724
 725 #if defined(MATRIX_B_DEPTH)
 726     // Do not slide matrix B if the matrix B has 3 dimensions and matrix A more than 3
 727     src1_addr_in_bytes += (z % MATRIX_B_DEPTH) * src1_stride_z;
 728 #else  // defined(MATRIX_B_DEPTH)
 729     src1_addr_in_bytes += z * src1_stride_z;
 730 #endif // defined(MATRIX_B_DEPTH)
 731
 732     __global half *src_addr_a = (__global half *)(src0_ptr + src0_addr_in_bytes);
 733     __global half *src_addr_b = (__global half *)(src1_ptr + src1_addr_in_bytes);
 734
 735     // Compute end row address for matrix B
 736     __global half *src_end_addr_b = src_addr_b + COLS_B;
 737
 738     src_addr_a += offset_row_a;
 739     src_addr_b += offset_row_b;
 740
 741     // Reset accumulators
 742     half8 c00 = 0.0f;
 743     half8 c10 = 0.0f;
 744     half8 c20 = 0.0f;
 745     half8 c30 = 0.0f;
 746
 747 #define COLS_MTX_B (COLS_B / (8 * MULT_TRANSPOSE1XW_WIDTH))
 748
 749     int i = 0;
 750     for(; i <= (int)(COLS_MTX_B - 4); i += 4)
 751     {
 752 #if MULT_INTERLEAVE4X4_HEIGHT == 1
 753         // Load values from matrix A (interleaved) and matrix B (transposed)
 754         half8 a0 = vload8(0, src_addr_a);
 755         half8 b0 = vload8(0, src_addr_b);
 756
 757         src_addr_a += 8 * MULT_INTERLEAVE4X4_HEIGHT;
 758         src_addr_b += 8 * MULT_TRANSPOSE1XW_WIDTH;
 759
 760         c00 = fma((half8)a0.s0, b0, c00);
 761         c10 = fma((half8)a0.s1, b0, c10);
 762         c20 = fma((half8)a0.s2, b0, c20);
 763         c30 = fma((half8)a0.s3, b0, c30);
 764
 765         // Load values from matrix B (transposed)
 766         b0 = vload8(0, src_addr_b);
 767
 768         src_addr_b += 8 * MULT_TRANSPOSE1XW_WIDTH;
 769
 770         c00 = fma((half8)a0.s4, b0, c00);
 771         c10 = fma((half8)a0.s5, b0, c10);
 772         c20 = fma((half8)a0.s6, b0, c20);
 773         c30 = fma((half8)a0.s7, b0, c30);
 774
 775         // Load values from matrix A (interleaved) and matrix B (transposed)
 776         a0 = vload8(0, src_addr_a);
 777         b0 = vload8(0, src_addr_b);
 778
 779         src_addr_a += 8 * MULT_INTERLEAVE4X4_HEIGHT;
 780         src_addr_b += 8 * MULT_TRANSPOSE1XW_WIDTH;
 781
 782         c00 = fma((half8)a0.s0, b0, c00);
 783         c10 = fma((half8)a0.s1, b0, c10);
 784         c20 = fma((half8)a0.s2, b0, c20);
 785         c30 = fma((half8)a0.s3, b0, c30);
 786
 787         // Load values from matrix B (transposed)
 788         b0 = vload8(0, src_addr_b);
 789
 790         src_addr_b += 8 * MULT_TRANSPOSE1XW_WIDTH;
 791
 792         c00 = fma((half8)a0.s4, b0, c00);
 793         c10 = fma((half8)a0.s5, b0, c10);
 794         c20 = fma((half8)a0.s6, b0, c20);
 795         c30 = fma((half8)a0.s7, b0, c30);
 796 #else  // MULT_INTERLEAVE4X4_HEIGHT == 1
 797         // Load values from matrix A (interleaved) and matrix B (transposed)
 798         half4 a0 = vload4(0, src_addr_a);
 799         half8 b0 = vload8(0, src_addr_b);
 800
 801         src_addr_a += 4 * MULT_INTERLEAVE4X4_HEIGHT;
 802         src_addr_b += 8 * MULT_TRANSPOSE1XW_WIDTH;
 803
 804         c00 = fma((half8)a0.s0, b0, c00);
 805         c10 = fma((half8)a0.s1, b0, c10);
 806         c20 = fma((half8)a0.s2, b0, c20);
 807         c30 = fma((half8)a0.s3, b0, c30);
 808
 809         // Load values from matrix A (interleaved) and matrix B (transposed)
 810         a0 = vload4(0, src_addr_a);
 811         b0 = vload8(0, src_addr_b);
 812
 813         src_addr_a += 4 * MULT_INTERLEAVE4X4_HEIGHT;
 814         src_addr_b += 8 * MULT_TRANSPOSE1XW_WIDTH;
 815
 816         c00 = fma((half8)a0.s0, b0, c00);
 817         c10 = fma((half8)a0.s1, b0, c10);
 818         c20 = fma((half8)a0.s2, b0, c20);
 819         c30 = fma((half8)a0.s3, b0, c30);
 820
 821         // Load values from matrix A (interleaved) and matrix B (transposed)
 822         a0 = vload4(0, src_addr_a);
 823         b0 = vload8(0, src_addr_b);
 824
 825         src_addr_a += 4 * MULT_INTERLEAVE4X4_HEIGHT;
 826         src_addr_b += 8 * MULT_TRANSPOSE1XW_WIDTH;
 827
 828         c00 = fma((half8)a0.s0, b0, c00);
 829         c10 = fma((half8)a0.s1, b0, c10);
 830         c20 = fma((half8)a0.s2, b0, c20);
 831         c30 = fma((half8)a0.s3, b0, c30);
 832
 833         // Load values from matrix A (interleaved) and matrix B (transposed)
 834         a0 = vload4(0, src_addr_a);
 835         b0 = vload8(0, src_addr_b);
 836
 837         src_addr_a += 4 * MULT_INTERLEAVE4X4_HEIGHT;
 838         src_addr_b += 8 * MULT_TRANSPOSE1XW_WIDTH;
 839
 840         c00 = fma((half8)a0.s0, b0, c00);
 841         c10 = fma((half8)a0.s1, b0, c10);
 842         c20 = fma((half8)a0.s2, b0, c20);
 843         c30 = fma((half8)a0.s3, b0, c30);
 844 #endif // MULT_INTERLEAVE4X4_HEIGHT == 1
 845     }
 846
 847     for(; i < (int)(COLS_MTX_B); ++i)
 848     {
 849         // Load values from matrix A (interleaved) and matrix B (transposed)
 850         half4 a0 = vload4(0, src_addr_a);
 851         half8 b0 = vload8(0, src_addr_b);
 852
 853         src_addr_a += 4 * MULT_INTERLEAVE4X4_HEIGHT;
 854         src_addr_b += 8 * MULT_TRANSPOSE1XW_WIDTH;
 855
 856         c00 = fma((half8)a0.s0, b0, c00);
 857         c10 = fma((half8)a0.s1, b0, c10);
 858         c20 = fma((half8)a0.s2, b0, c20);
 859         c30 = fma((half8)a0.s3, b0, c30);
 860     }
 861
 862     // Compute destination address
 863     Image dst = CONVERT_TO_IMAGE_STRUCT(dst);
 864
 865 #if defined(ALPHA)
 866     // Multiply by the weight of matrix product
 867     c00 = c00 * (half8)ALPHA;
 868     c10 = c10 * (half8)ALPHA;
 869     c20 = c20 * (half8)ALPHA;
 870     c30 = c30 * (half8)ALPHA;
 871 #endif // defined(ALPHA)
 872
 873     // Compute dst address
 874     __global uchar *dst_addr = offset(&dst, 0, 0);
 875
 876     // Add offset for batched GEMM
 877     dst_addr += z * dst_stride_z;
 878
 879     // Store 4x8 block
 880     vstore8(c00, 0, (__global half *)(dst_addr + 0 * dst_stride_y));
 881     vstore8(c10, 0, (__global half *)(dst_addr + 1 * dst_stride_y));
 882     vstore8(c20, 0, (__global half *)(dst_addr + 2 * dst_stride_y));
 883     vstore8(c30, 0, (__global half *)(dst_addr + 3 * dst_stride_y));
 884 }
 885
 886 // Undefine local defines
 887 #undef COLS_MTX_B
 888
 889 #endif // defined(ARM_COMPUTE_OPENCL_FP16_ENABLED)
 890
 891 #if defined(FIXED_POINT_POSITION)
 892 /** This OpenCL kernel computes the matrix multiplication between matrix A (src0) and matrix B (src1) in 8 bit fixed point precision
 893  *  Matrix A and matrix B must be reshaped respectively with @ref gemm_interleave4x4_8bit and @ref gemm_transpose1x16 before running the matrix multiplication
 894  *
 895  * @note The number of columns of matrix B and the optional alpha's value need to be passed at compile time using -DCOLS_B and -DALPHA
 896  * @note The multiplication factor for the transposition width (mult_transpose1xW_width) must be passed at compile time using -DMULT_TRANSPOSE1XW_WIDTH (i.e. -DMULT_TRANSPOSE1XW_WIDTH=2)
 897  * @note The multiplication factor for the height of the 4x4 interleaved block must be passed at compile time using -DMULT_INTERLEAVE4X4_HEIGHT (i.e. -DMULT_INTERLEAVE4X4_HEIGHT=2)
 898  * @note In case the matrix B has 3 dimensions and the matrix A more than 3, in order to avoid out-of-bounds reads, the number of channels of matrix B must be passed at compile time using MATRIX_B_DEPTH (i.e. -DMATRIX_B_DEPTH=16)
 899  *       This case can happen when GEMM is used to perform the element-wise multiplication through a batched matrix multiplication (2D Winograd) and we have multiple inputs (i.e. a = [K, M, 16, Batches], b = [N, K, 16])
 900  * @note:ALPHA must be passed in 8 bit fixed point format
 901  *
 902  * @param[in]  src0_ptr                           Pointer to the source matrix. Supported data types: QS8
 903  * @param[in]  src0_stride_x                      Stride of the source matrix in X dimension (in bytes)
 904  * @param[in]  src0_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
 905  * @param[in]  src0_stride_y                      Stride of the source matrix in Y dimension (in bytes)
 906  * @param[in]  src0_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
 907  * @param[in]  src0_offset_first_element_in_bytes The offset of the first element in the source matrix
 908  * @param[in]  src1_ptr                           Pointer to the source matrix. Supported data types: same as @p src0_ptr
 909  * @param[in]  src1_stride_x                      Stride of the source matrix in X dimension (in bytes)
 910  * @param[in]  src1_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
 911  * @param[in]  src1_stride_y                      Stride of the source matrix in Y dimension (in bytes)
 912  * @param[in]  src1_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
 913  * @param[in]  src1_offset_first_element_in_bytes The offset of the first element in the source matrix
 914  * @param[out] dst_ptr                            Pointer to the destination matrix Supported data types: same as @p src0_ptr
 915  * @param[in]  dst_stride_x                       Stride of the destination matrix in X dimension (in bytes)
 916  * @param[in]  dst_step_x                         dst_stride_x * number of elements along X processed per workitem(in bytes)
 917  * @param[in]  dst_stride_y                       Stride of the destination matrix in Y dimension (in bytes)
 918  * @param[in]  dst_step_y                         dst_stride_y * number of elements along Y processed per workitem(in bytes)
 919  * @param[in]  dst_offset_first_element_in_bytes  The offset of the first element in the destination matrix
 920  */
 921 __kernel void gemm_mm_interleaved_transposed_qs8(IMAGE_DECLARATION(src0),
 922                                                  IMAGE_DECLARATION(src1),
 923                                                  IMAGE_DECLARATION(dst),
 924                                                  uint src0_stride_z,
 925                                                  uint src1_stride_z,
 926                                                  uint dst_stride_z)
 927 {
 928     int x = get_global_id(0) / MULT_TRANSPOSE1XW_WIDTH;
 929     int y = get_global_id(1) / MULT_INTERLEAVE4X4_HEIGHT;
 930     int z = get_global_id(2);
 931
 932     // Offset
 933     const int offset_row_a = (get_global_id(1) % MULT_INTERLEAVE4X4_HEIGHT) * 4;
 934     const int offset_row_b = (get_global_id(0) % MULT_TRANSPOSE1XW_WIDTH) * 16;
 935
 936     // src_addr_a = address of matrix A
 937     // src_addr_b = address of matrix B
 938     int src0_addr_in_bytes = z * src0_stride_z + y * src0_stride_y + src0_offset_first_element_in_bytes;
 939     int src1_addr_in_bytes = x * src1_stride_y + src1_offset_first_element_in_bytes;
 940
 941 #if defined(MATRIX_B_DEPTH)
 942     // Do not slide matrix B if the matrix B has 3 dimensions and matrix A more than 3
 943     src1_addr_in_bytes += (z % MATRIX_B_DEPTH) * src1_stride_z;
 944 #else  // defined(MATRIX_B_DEPTH)
 945     src1_addr_in_bytes += z * src1_stride_z;
 946 #endif // defined(MATRIX_B_DEPTH)
 947
 948     __global char *src_addr_a = (__global char *)(src0_ptr + src0_addr_in_bytes);
 949     __global char *src_addr_b = (__global char *)(src1_ptr + src1_addr_in_bytes);
 950
 951     // Compute end row address for matrix B
 952     __global char *src_end_addr_b = src_addr_b + COLS_B;
 953
 954     src_addr_a += offset_row_a;
 955     src_addr_b += offset_row_b;
 956
 957     // Reset accumulators
 958     short8 c00 = 0.0f;
 959     short8 c10 = 0.0f;
 960     short8 c20 = 0.0f;
 961     short8 c30 = 0.0f;
 962     short8 c01 = 0.0f;
 963     short8 c11 = 0.0f;
 964     short8 c21 = 0.0f;
 965     short8 c31 = 0.0f;
 966
 967     // This for loop performs 1 accumulation for each iteration
 968     for(; src_addr_b < src_end_addr_b; src_addr_a += 4 * MULT_INTERLEAVE4X4_HEIGHT, src_addr_b += 16 * MULT_TRANSPOSE1XW_WIDTH)
 969     {
 970         // Load values from matrix A (interleaved) and matrix B (transposed)
 971         char4  a0 = vload4(0, src_addr_a);
 972         char16 b0 = vload16(0, src_addr_b);
 973
 974         c00 = mlal_sat_qs8x8(c00, (char8)a0.s0, b0.s01234567, FIXED_POINT_POSITION);
 975         c10 = mlal_sat_qs8x8(c10, (char8)a0.s1, b0.s01234567, FIXED_POINT_POSITION);
 976         c20 = mlal_sat_qs8x8(c20, (char8)a0.s2, b0.s01234567, FIXED_POINT_POSITION);
 977         c30 = mlal_sat_qs8x8(c30, (char8)a0.s3, b0.s01234567, FIXED_POINT_POSITION);
 978
 979         c01 = mlal_sat_qs8x8(c01, (char8)a0.s0, b0.s89ABCDEF, FIXED_POINT_POSITION);
 980         c11 = mlal_sat_qs8x8(c11, (char8)a0.s1, b0.s89ABCDEF, FIXED_POINT_POSITION);
 981         c21 = mlal_sat_qs8x8(c21, (char8)a0.s2, b0.s89ABCDEF, FIXED_POINT_POSITION);
 982         c31 = mlal_sat_qs8x8(c31, (char8)a0.s3, b0.s89ABCDEF, FIXED_POINT_POSITION);
 983     }
 984
 985     // Compute destination address
 986     Image dst = CONVERT_TO_IMAGE_STRUCT(dst);
 987
 988     // Multiply by the weight of matrix product
 989     char16 c00_qs8 = convert_char16_sat((short16)(c00, c01));
 990     char16 c10_qs8 = convert_char16_sat((short16)(c10, c11));
 991     char16 c20_qs8 = convert_char16_sat((short16)(c20, c21));
 992     char16 c30_qs8 = convert_char16_sat((short16)(c30, c31));
 993
 994 #if defined(ALPHA)
 995     c00_qs8 = mul_sat_qs8x16(c00_qs8, (char16)ALPHA, FIXED_POINT_POSITION);
 996     c10_qs8 = mul_sat_qs8x16(c10_qs8, (char16)ALPHA, FIXED_POINT_POSITION);
 997     c20_qs8 = mul_sat_qs8x16(c20_qs8, (char16)ALPHA, FIXED_POINT_POSITION);
 998     c30_qs8 = mul_sat_qs8x16(c30_qs8, (char16)ALPHA, FIXED_POINT_POSITION);
 999 #endif // defined(ALPHA)
1000
1001     // Compute dst address
1002     __global uchar *dst_addr = offset(&dst, 0, 0);
1003
1004     // Add offset for batched GEMM
1005     dst_addr += z * dst_stride_z;
1006
1007     // Store 16x4 block
1008     vstore16(c00_qs8, 0, (__global char *)(dst_addr + 0 * dst_stride_y));
1009     vstore16(c10_qs8, 0, (__global char *)(dst_addr + 1 * dst_stride_y));
1010     vstore16(c20_qs8, 0, (__global char *)(dst_addr + 2 * dst_stride_y));
1011     vstore16(c30_qs8, 0, (__global char *)(dst_addr + 3 * dst_stride_y));
1012 }
1013
1014 /** This OpenCL kernel computes the matrix multiplication between matrix A (src0) and matrix B (src1) in 16 bit fixed point precision
1015  *  Matrix A and matrix B must be reshaped respectively with @ref gemm_interleave4x4_16bit and @ref gemm_transpose1x8 before running the matrix multiplication
1016  *
1017  * @note The number of columns of matrix B and the optional alpha's value need to be passed at compile time using -DCOLS_B and -DALPHA
1018  * @note The multiplication factor for the transposition width (mult_transpose1xW_width) must be passed at compile time using -DMULT_TRANSPOSE1XW_WIDTH (i.e. -DMULT_TRANSPOSE1XW_WIDTH=2)
1019  * @note The multiplication factor for the height of the 4x4 interleaved block must be passed at compile time using -DMULT_INTERLEAVE4X4_HEIGHT (i.e. -DMULT_INTERLEAVE4X4_HEIGHT=2)
1020  * @note In case the matrix B has 3 dimensions and the matrix A more than 3, in order to avoid out-of-bounds reads, the number of channels of matrix B must be passed at compile time using MATRIX_B_DEPTH (i.e. -DMATRIX_B_DEPTH=16)
1021  *       This case can happen when GEMM is used to perform the element-wise multiplication through a batched matrix multiplication (2D Winograd) and we have multiple inputs (i.e. a = [K, M, 16, Batches], b = [N, K, 16])
1022  * @note:ALPHA must be passed in 16 bit fixed point format
1023  *
1024  * @param[in]  src0_ptr                           Pointer to the source matrix. Supported data types: QS16
1025  * @param[in]  src0_stride_x                      Stride of the source matrix in X dimension (in bytes)
1026  * @param[in]  src0_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
1027  * @param[in]  src0_stride_y                      Stride of the source matrix in Y dimension (in bytes)
1028  * @param[in]  src0_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
1029  * @param[in]  src0_offset_first_element_in_bytes The offset of the first element in the source matrix
1030  * @param[in]  src1_ptr                           Pointer to the source matrix. Supported data types: same as @p src0_ptr
1031  * @param[in]  src1_stride_x                      Stride of the source matrix in X dimension (in bytes)
1032  * @param[in]  src1_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
1033  * @param[in]  src1_stride_y                      Stride of the source matrix in Y dimension (in bytes)
1034  * @param[in]  src1_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
1035  * @param[in]  src1_offset_first_element_in_bytes The offset of the first element in the source matrix
1036  * @param[out] dst_ptr                            Pointer to the destination matrix Supported data types: same as @p src0_ptr
1037  * @param[in]  dst_stride_x                       Stride of the destination matrix in X dimension (in bytes)
1038  * @param[in]  dst_step_x                         dst_stride_x * number of elements along X processed per workitem(in bytes)
1039  * @param[in]  dst_stride_y                       Stride of the destination matrix in Y dimension (in bytes)
1040  * @param[in]  dst_step_y                         dst_stride_y * number of elements along Y processed per workitem(in bytes)
1041  * @param[in]  dst_offset_first_element_in_bytes  The offset of the first element in the destination matrix
1042  */
1043 __kernel void gemm_mm_interleaved_transposed_qs16(IMAGE_DECLARATION(src0),
1044                                                   IMAGE_DECLARATION(src1),
1045                                                   IMAGE_DECLARATION(dst),
1046                                                   uint src0_stride_z,
1047                                                   uint src1_stride_z,
1048                                                   uint dst_stride_z)
1049 {
1050     int x = get_global_id(0) / MULT_TRANSPOSE1XW_WIDTH;
1051     int y = get_global_id(1) / MULT_INTERLEAVE4X4_HEIGHT;
1052     int z = get_global_id(2);
1053
1054     // Offset
1055     const int offset_row_a = (get_global_id(1) % MULT_INTERLEAVE4X4_HEIGHT) * 4;
1056     const int offset_row_b = (get_global_id(0) % MULT_TRANSPOSE1XW_WIDTH) * 8;
1057
1058     // src_addr_a = address of matrix A
1059     // src_addr_b = address of matrix B
1060     int src0_addr_in_bytes = z * src0_stride_z + y * src0_stride_y + src0_offset_first_element_in_bytes;
1061     int src1_addr_in_bytes = x * src1_stride_y + src1_offset_first_element_in_bytes;
1062
1063 #if defined(MATRIX_B_DEPTH)
1064     // Do not slide matrix B if the matrix B has 3 dimensions and matrix A more than 3
1065     src1_addr_in_bytes += (z % MATRIX_B_DEPTH) * src1_stride_z;
1066 #else  // defined(MATRIX_B_DEPTH)
1067     src1_addr_in_bytes += z * src1_stride_z;
1068 #endif // defined(MATRIX_B_DEPTH)
1069
1070     __global short *src_addr_a = (__global short *)(src0_ptr + src0_addr_in_bytes);
1071     __global short *src_addr_b = (__global short *)(src1_ptr + src1_addr_in_bytes);
1072
1073     // Compute end row address for matrix B
1074     __global short *src_end_addr_b = src_addr_b + COLS_B;
1075
1076     src_addr_a += offset_row_a;
1077     src_addr_b += offset_row_b;
1078
1079     // Reset accumulators
1080     int8 c00 = 0.0f;
1081     int8 c10 = 0.0f;
1082     int8 c20 = 0.0f;
1083     int8 c30 = 0.0f;
1084
1085     // This for loop performs 1 accumulation for each iteration
1086     for(; src_addr_b < src_end_addr_b; src_addr_a += 4 * MULT_INTERLEAVE4X4_HEIGHT, src_addr_b += 8 * MULT_TRANSPOSE1XW_WIDTH)
1087     {
1088         /* Load values from matrix A (interleaved) and matrix B (transposed) */
1089         short4 a0 = vload4(0, src_addr_a);
1090         short8 b0 = vload8(0, src_addr_b);
1091
1092         c00 = mlal_sat_qs16x8(c00, (short8)a0.s0, b0, FIXED_POINT_POSITION);
1093         c10 = mlal_sat_qs16x8(c10, (short8)a0.s1, b0, FIXED_POINT_POSITION);
1094         c20 = mlal_sat_qs16x8(c20, (short8)a0.s2, b0, FIXED_POINT_POSITION);
1095         c30 = mlal_sat_qs16x8(c30, (short8)a0.s3, b0, FIXED_POINT_POSITION);
1096     }
1097
1098     // Compute destination address
1099     Image dst = CONVERT_TO_IMAGE_STRUCT(dst);
1100
1101     // Multiply by the weight of matrix product
1102     short8 c00_qs16 = convert_short8_sat(c00);
1103     short8 c10_qs16 = convert_short8_sat(c10);
1104     short8 c20_qs16 = convert_short8_sat(c20);
1105     short8 c30_qs16 = convert_short8_sat(c30);
1106
1107 #if defined(ALPHA)
1108     c00_qs16 = mul_sat_qs16x8(c00_qs16, (short8)ALPHA, FIXED_POINT_POSITION);
1109     c10_qs16 = mul_sat_qs16x8(c10_qs16, (short8)ALPHA, FIXED_POINT_POSITION);
1110     c20_qs16 = mul_sat_qs16x8(c20_qs16, (short8)ALPHA, FIXED_POINT_POSITION);
1111     c30_qs16 = mul_sat_qs16x8(c30_qs16, (short8)ALPHA, FIXED_POINT_POSITION);
1112 #endif // defined(ALPHA)
1113
1114     // Compute dst address
1115     __global uchar *dst_addr = offset(&dst, 0, 0);
1116
1117     // Add offset for batched GEMM
1118     dst_addr += z * dst_stride_z;
1119
1120     // Store 8x4 block
1121     vstore8(c00_qs16, 0, (__global short *)(dst_addr + 0 * dst_stride_y));
1122     vstore8(c10_qs16, 0, (__global short *)(dst_addr + 1 * dst_stride_y));
1123     vstore8(c20_qs16, 0, (__global short *)(dst_addr + 2 * dst_stride_y));
1124     vstore8(c30_qs16, 0, (__global short *)(dst_addr + 3 * dst_stride_y));
1125 }
1126 #endif // defined(FIXED_POINT_POSITION)
1127 #endif // defined(COLS_B) && defined(MULT_TRANSPOSE1XW_WIDTH) && defined(MULT_INTERLEAVE4X4_HEIGHT)
1128
1129 #if defined(COLS_A) && defined(NUM_ELEMS_PROCESSED_PER_THREAD_X) && (NUM_ELEMS_PROCESSED_PER_THREAD_Y)
1130 #if defined(DATA_TYPE)
1131 #define VECTOR_TYPE VEC_DATA_TYPE(DATA_TYPE, NUM_ELEMS_PROCESSED_PER_THREAD_X)
1132 /** This OpenCL kernel computes the matrix by matrix multiplication between the matrix A (src0) and matrix B (src1) in case both matrices have not been reshaped
1133  *
1134  * @note This OpenCL kernel works with floating point data types (F16/F32)
1135  * @note The floating point data type must be passed at compile time using -DDATA_TYPE (e.g. -DDATA_TYPE=float)
1136  * @note The number of elements processed along the x and y directions must be passed at compile time using -DNUM_ELEMS_PROCESSED_PER_THREAD_X and -DNUM_ELEMS_PROCESSED_PER_THREAD_Y
1137  * @note The number of matrix A columns and the optional alpha's value need to be passed at compile time using -DCOLS_A and -DALPHA
1138  * @note In case the matrix B has 3 dimensions and the matrix A more than 3, in order to avoid out-of-bounds reads, the number of channels of matrix B must be passed at compile time using MATRIX_B_DEPTH (i.e. -DMATRIX_B_DEPTH=16)
1139  *       This case can happen when GEMM is used to perform the element-wise multiplication through a batched matrix multiplication (2D Winograd) and we have multiple inputs (i.e. a = [K, M, 16, Batches], b = [N, K, 16])
1140  *
1141  * @param[in]  src0_ptr                           Pointer to the source matrix. Supported data types: F16/F32
1142  * @param[in]  src0_stride_x                      Stride of the source matrix in X dimension (in bytes)
1143  * @param[in]  src0_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
1144  * @param[in]  src0_stride_y                      Stride of the source matrix in Y dimension (in bytes)
1145  * @param[in]  src0_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
1146  * @param[in]  src0_offset_first_element_in_bytes The offset of the first element in the source matrix
1147  * @param[in]  src1_ptr                           Pointer to the source matrix. Supported data types: same as @p src0_ptr
1148  * @param[in]  src1_stride_x                      Stride of the source matrix in X dimension (in bytes)
1149  * @param[in]  src1_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
1150  * @param[in]  src1_stride_y                      Stride of the source matrix in Y dimension (in bytes)
1151  * @param[in]  src1_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
1152  * @param[in]  src1_offset_first_element_in_bytes The offset of the first element in the source matrix
1153  * @param[out] dst_ptr                            Pointer to the destination matrix Supported data types: same as @p src0_ptr
1154  * @param[in]  dst_stride_x                       Stride of the destination matrix in X dimension (in bytes)
1155  * @param[in]  dst_step_x                         dst_gx_stride_x * number of elements along X processed per workitem(in bytes)
1156  * @param[in]  dst_stride_y                       Stride of the destination matrix in Y dimension (in bytes)
1157  * @param[in]  dst_step_y                         dst_gx_stride_y * number of elements along Y processed per workitem(in bytes)
1158  * @param[in]  dst_offset_first_element_in_bytes  The offset of the first element in the destination matrix
1159  */
1160 __kernel void gemm_mm_floating_point(IMAGE_DECLARATION(src0),
1161                                      IMAGE_DECLARATION(src1),
1162                                      IMAGE_DECLARATION(dst),
1163                                      uint src0_stride_z,
1164                                      uint src1_stride_z,
1165                                      uint dst_stride_z)
1166 {
1167     int idx = get_global_id(0) * NUM_ELEMS_PROCESSED_PER_THREAD_X;
1168
1169     // Compute starting address for matrix A and Matrix B
1170     int2 src_addr = ((int2)(src0_offset_first_element_in_bytes, src1_offset_first_element_in_bytes));
1171
1172     // Update address for the matrix A
1173     src_addr.s0 += get_global_id(1) * src0_stride_y * NUM_ELEMS_PROCESSED_PER_THREAD_Y;
1174
1175     // Update address for the matrix B
1176     src_addr.s1 += idx * sizeof(DATA_TYPE);
1177
1178     // Add offset for batched GEMM
1179     src_addr.s0 += get_global_id(2) * src0_stride_z;
1180
1181 #if defined(MATRIX_B_DEPTH)
1182     // Do not slide matrix B if the matrix B has 3 dimensions and matrix A more than 3
1183     src_addr.s1 += (get_global_id(2) % MATRIX_B_DEPTH) * src1_stride_z;
1184 #else  // defined(MATRIX_B_DEPTH)
1185     src_addr.s1 += get_global_id(2) * src1_stride_z;
1186 #endif // defined(MATRIX_B_DEPTH)
1187
1188     int end_row_vec_a = src_addr.s0 + (COLS_A * sizeof(DATA_TYPE));
1189
1190     VECTOR_TYPE acc0 = 0.0f;
1191 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1192     VECTOR_TYPE acc1 = 0.0f;
1193 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1194 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1195     VECTOR_TYPE acc2 = 0.0f;
1196 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1197 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1198     VECTOR_TYPE acc3 = 0.0f;
1199 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1200
1201     for(; src_addr.s0 <= (end_row_vec_a - 2 * (int)sizeof(DATA_TYPE)); src_addr += (int2)(2 * sizeof(DATA_TYPE), 2 * src1_stride_y))
1202     {
1203         // Load values from matrix A
1204         VEC_DATA_TYPE(DATA_TYPE, 2)
1205         a0 = vload2(0, (__global DATA_TYPE *)(src0_ptr + src_addr.s0 + 0 * src0_stride_y));
1206 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1207         VEC_DATA_TYPE(DATA_TYPE, 2)
1208         a1 = vload2(0, (__global DATA_TYPE *)(src0_ptr + src_addr.s0 + 1 * src0_stride_y));
1209 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1210 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1211         VEC_DATA_TYPE(DATA_TYPE, 2)
1212         a2 = vload2(0, (__global DATA_TYPE *)(src0_ptr + src_addr.s0 + 2 * src0_stride_y));
1213 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1214 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1215         VEC_DATA_TYPE(DATA_TYPE, 2)
1216         a3 = vload2(0, (__global DATA_TYPE *)(src0_ptr + src_addr.s0 + 3 * src0_stride_y));
1217 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1218         // Load values from matrix B
1219         VECTOR_TYPE b0 = VLOAD(NUM_ELEMS_PROCESSED_PER_THREAD_X)(0, (__global DATA_TYPE *)(src1_ptr + src_addr.s1));
1220         VECTOR_TYPE b1 = VLOAD(NUM_ELEMS_PROCESSED_PER_THREAD_X)(0, (__global DATA_TYPE *)(src1_ptr + src_addr.s1 + src1_stride_y));
1221
1222         // Accumulate
1223         acc0 += b0 * (VECTOR_TYPE)a0.s0;
1224         acc0 += b1 * (VECTOR_TYPE)a0.s1;
1225 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1226         acc1 += b0 * (VECTOR_TYPE)a1.s0;
1227         acc1 += b1 * (VECTOR_TYPE)a1.s1;
1228 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1229 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1230         acc2 += b0 * (VECTOR_TYPE)a2.s0;
1231         acc2 += b1 * (VECTOR_TYPE)a2.s1;
1232 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1233 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1234         acc3 += b0 * (VECTOR_TYPE)a3.s0;
1235         acc3 += b1 * (VECTOR_TYPE)a3.s1;
1236 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1237     }
1238
1239     for(; src_addr.s0 < end_row_vec_a; src_addr += (int2)(sizeof(DATA_TYPE), src1_stride_y))
1240     {
1241         // Load values from matrix A
1242         DATA_TYPE a0 = *((__global DATA_TYPE *)(src0_ptr + src_addr.s0 + 0 * src0_stride_y));
1243 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1244         DATA_TYPE a1 = *((__global DATA_TYPE *)(src0_ptr + src_addr.s0 + 1 * src0_stride_y));
1245 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1246 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1247         DATA_TYPE a2 = *((__global DATA_TYPE *)(src0_ptr + src_addr.s0 + 2 * src0_stride_y));
1248 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1249 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1250         DATA_TYPE a3 = *((__global DATA_TYPE *)(src0_ptr + src_addr.s0 + 3 * src0_stride_y));
1251 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1252         // Load values from matrix B
1253         VECTOR_TYPE b0 = VLOAD(NUM_ELEMS_PROCESSED_PER_THREAD_X)(0, (__global DATA_TYPE *)(src1_ptr + src_addr.s1));
1254
1255         // Accumulate
1256         acc0 += b0 * (VECTOR_TYPE)a0;
1257 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1258         acc1 += b0 * (VECTOR_TYPE)a1;
1259 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1260 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1261         acc2 += b0 * (VECTOR_TYPE)a2;
1262 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1263 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1264         acc3 += b0 * (VECTOR_TYPE)a3;
1265 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1266     }
1267
1268     // Compute destination address
1269     Image dst = CONVERT_TO_IMAGE_STRUCT(dst);
1270
1271     // Compute dst address
1272     __global uchar *dst_addr = offset(&dst, 0, 0);
1273
1274     // Add offset for batched GEMM
1275     dst_addr += get_global_id(2) * dst_stride_z;
1276
1277     // Multiply by the weight of matrix-matrix product and store the result
1278 #if defined(ALPHA)
1279     acc0 = acc0 * (VECTOR_TYPE)ALPHA;
1280 #endif // defined(ALPHA)
1281     VSTORE(NUM_ELEMS_PROCESSED_PER_THREAD_X)
1282     (acc0, 0, (__global DATA_TYPE *)(dst_addr + 0 * dst_stride_y));
1283 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1284 #if defined(ALPHA)
1285     acc1 = acc1 * (VECTOR_TYPE)ALPHA;
1286 #endif // defined(ALPHA)
1287     VSTORE(NUM_ELEMS_PROCESSED_PER_THREAD_X)
1288     (acc1, 0, (__global DATA_TYPE *)(dst_addr + 1 * dst_stride_y));
1289 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1290 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1291 #if defined(ALPHA)
1292     acc2 = acc2 * (VECTOR_TYPE)ALPHA;
1293 #endif // defined(ALPHA)
1294     VSTORE(NUM_ELEMS_PROCESSED_PER_THREAD_X)
1295     (acc2, 0, (__global DATA_TYPE *)(dst_addr + 2 * dst_stride_y));
1296 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1297 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1298 #if defined(ALPHA)
1299     acc3 = acc3 * (VECTOR_TYPE)ALPHA;
1300 #endif // defined(ALPHA)
1301     VSTORE(NUM_ELEMS_PROCESSED_PER_THREAD_X)
1302     (acc3, 0, (__global DATA_TYPE *)(dst_addr + 3 * dst_stride_y));
1303 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1304 }
1305 #endif // defined(DATA_TYPE)
1306
1307 /** This OpenCL kernel computes the matrix by matrix multiplication between the matrix A (src0) and matrix B (src1) in case both matrices have not been reshaped
1308  *
1309  * @note This OpenCL kernel works with the 32-bit floating point data type (float) and uses the fma units.
1310  * @note The number of elements processed along the x and y directions must be passed at compile time using -DNUM_ELEMS_PROCESSED_PER_THREAD_X and -DNUM_ELEMS_PROCESSED_PER_THREAD_Y.
1311  * This kernel optimally uses -DNUM_ELEMS_PROCESSED_PER_THREAD_X=4.
1312  * @note The number of matrix A columns must be passed at compile time using -DCOLS_A.
1313  * @note The optional value of scalar alpha is passed at compile time using -DALPHA=alpha
1314  * @note In case the matrix B has 3 dimensions and the matrix A more than 3, in order to avoid out-of-bounds reads, the number of channels of matrix B must be passed at compile time using MATRIX_B_DEPTH (i.e. -DMATRIX_B_DEPTH=16)
1315  *       This case can happen when GEMM is used to perform the element-wise multiplication through a batched matrix multiplication (2D Winograd) and we have multiple inputs (i.e. a = [K, M, 16, Batches], b = [N, K, 16])
1316  *
1317  * @param[in]  src0_ptr                           Pointer to the source matrix. Supported data types: F16/F32
1318  * @param[in]  src0_stride_x                      Stride of the source matrix in X dimension (in bytes)
1319  * @param[in]  src0_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
1320  * @param[in]  src0_stride_y                      Stride of the source matrix in Y dimension (in bytes)
1321  * @param[in]  src0_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
1322  * @param[in]  src0_offset_first_element_in_bytes The offset of the first element in the source matrix
1323  * @param[in]  src1_ptr                           Pointer to the source matrix. Supported data types: same as @p src0_ptr
1324  * @param[in]  src1_stride_x                      Stride of the source matrix in X dimension (in bytes)
1325  * @param[in]  src1_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
1326  * @param[in]  src1_stride_y                      Stride of the source matrix in Y dimension (in bytes)
1327  * @param[in]  src1_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
1328  * @param[in]  src1_offset_first_element_in_bytes The offset of the first element in the source matrix
1329  * @param[out] dst_ptr                            Pointer to the destination matrix Supported data types: same as @p src0_ptr
1330  * @param[in]  dst_stride_x                       Stride of the destination matrix in X dimension (in bytes)
1331  * @param[in]  dst_step_x                         dst_gx_stride_x * number of elements along X processed per workitem(in bytes)
1332  * @param[in]  dst_stride_y                       Stride of the destination matrix in Y dimension (in bytes)
1333  * @param[in]  dst_step_y                         dst_gx_stride_y * number of elements along Y processed per workitem(in bytes)
1334  * @param[in]  dst_offset_first_element_in_bytes  The offset of the first element in the destination matrix
1335  */
1336 __kernel void gemm_mm_floating_point_f32_bifrost(IMAGE_DECLARATION(src0),
1337                                                  IMAGE_DECLARATION(src1),
1338                                                  IMAGE_DECLARATION(dst),
1339                                                  uint src0_stride_z,
1340                                                  uint src1_stride_z,
1341                                                  uint dst_stride_z)
1342 {
1343     int idx = get_global_id(0) * NUM_ELEMS_PROCESSED_PER_THREAD_X;
1344
1345     // Compute starting address for matrix A and matrix B
1346     int2 src_addr = ((int2)(src0_offset_first_element_in_bytes, src1_offset_first_element_in_bytes));
1347
1348     // Update address for matrix A
1349     src_addr.s0 += get_global_id(1) * src0_stride_y * NUM_ELEMS_PROCESSED_PER_THREAD_Y;
1350
1351     // Update address for matrix B
1352     src_addr.s1 += idx * sizeof(float);
1353
1354     // Add offset for batched GEMM
1355     src_addr.s0 += get_global_id(2) * src0_stride_z;
1356
1357 #if defined(MATRIX_B_DEPTH)
1358     // Do not slide matrix B if the matrix B has 3 dimensions and matrix A more than 3
1359     src_addr.s1 += (get_global_id(2) % MATRIX_B_DEPTH) * src1_stride_z;
1360 #else  // defined(MATRIX_B_DEPTH)
1361     src_addr.s1 += get_global_id(2) * src1_stride_z;
1362 #endif // defined(MATRIX_B_DEPTH)
1363
1364     // Initialize accumulators
1365     float acc00 = 0.0f;
1366     float acc01 = 0.0f;
1367     float acc02 = 0.0f;
1368     float acc03 = 0.0f;
1369
1370 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1371     float acc10 = 0.0f;
1372     float acc11 = 0.0f;
1373     float acc12 = 0.0f;
1374     float acc13 = 0.0f;
1375 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1376
1377 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1378     float acc20 = 0.0f;
1379     float acc21 = 0.0f;
1380     float acc22 = 0.0f;
1381     float acc23 = 0.0f;
1382 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1383
1384 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1385     float acc30 = 0.0f;
1386     float acc31 = 0.0f;
1387     float acc32 = 0.0f;
1388     float acc33 = 0.0f;
1389 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1390
1391     // A and B src indices get incremented at the same time.
1392     int i = 0;
1393     for(; i <= ((int)COLS_A - 4); i += 4)
1394     {
1395         // Load values from matrix A and matrix B
1396         float4 a0 = vload4(0, (__global float *)(src0_ptr + src_addr.s0 + 0 * src0_stride_y));
1397 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1398         float4 a1 = vload4(0, (__global float *)(src0_ptr + src_addr.s0 + 1 * src0_stride_y));
1399 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1400 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1401         float4 a2 = vload4(0, (__global float *)(src0_ptr + src_addr.s0 + 2 * src0_stride_y));
1402 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1403 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1404         float4 a3 = vload4(0, (__global float *)(src0_ptr + src_addr.s0 + 3 * src0_stride_y));
1405 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1406         float4 b0 = vload4(0, (__global float *)(src1_ptr + src_addr.s1));
1407         src_addr.s1 += src1_stride_y;
1408
1409         // Multiply and accumulate
1410         acc00 = fma(a0.s0, b0.s0, acc00);
1411         acc01 = fma(a0.s0, b0.s1, acc01);
1412         acc02 = fma(a0.s0, b0.s2, acc02);
1413         acc03 = fma(a0.s0, b0.s3, acc03);
1414
1415 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1416
1417         acc10 = fma(a1.s0, b0.s0, acc10);
1418         acc11 = fma(a1.s0, b0.s1, acc11);
1419         acc12 = fma(a1.s0, b0.s2, acc12);
1420         acc13 = fma(a1.s0, b0.s3, acc13);
1421
1422 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1423 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1424
1425         acc20 = fma(a2.s0, b0.s0, acc20);
1426         acc21 = fma(a2.s0, b0.s1, acc21);
1427         acc22 = fma(a2.s0, b0.s2, acc22);
1428         acc23 = fma(a2.s0, b0.s3, acc23);
1429
1430 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1431 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1432
1433         acc30 = fma(a3.s0, b0.s0, acc30);
1434         acc31 = fma(a3.s0, b0.s1, acc31);
1435         acc32 = fma(a3.s0, b0.s2, acc32);
1436         acc33 = fma(a3.s0, b0.s3, acc33);
1437 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1438
1439         // Load values from matrix A and matrix B
1440         b0 = vload4(0, (__global float *)(src1_ptr + src_addr.s1));
1441         src_addr.s1 += src1_stride_y;
1442
1443         // Multiply and accumulate
1444         acc00 = fma(a0.s1, b0.s0, acc00);
1445         acc01 = fma(a0.s1, b0.s1, acc01);
1446         acc02 = fma(a0.s1, b0.s2, acc02);
1447         acc03 = fma(a0.s1, b0.s3, acc03);
1448
1449 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1450
1451         acc10 = fma(a1.s1, b0.s0, acc10);
1452         acc11 = fma(a1.s1, b0.s1, acc11);
1453         acc12 = fma(a1.s1, b0.s2, acc12);
1454         acc13 = fma(a1.s1, b0.s3, acc13);
1455
1456 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1457 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1458
1459         acc20 = fma(a2.s1, b0.s0, acc20);
1460         acc21 = fma(a2.s1, b0.s1, acc21);
1461         acc22 = fma(a2.s1, b0.s2, acc22);
1462         acc23 = fma(a2.s1, b0.s3, acc23);
1463
1464 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1465 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1466
1467         acc30 = fma(a3.s1, b0.s0, acc30);
1468         acc31 = fma(a3.s1, b0.s1, acc31);
1469         acc32 = fma(a3.s1, b0.s2, acc32);
1470         acc33 = fma(a3.s1, b0.s3, acc33);
1471 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1472
1473         // Load values from matrix A and matrix B
1474         b0 = vload4(0, (__global float *)(src1_ptr + src_addr.s1));
1475         src_addr.s1 += src1_stride_y;
1476
1477         // Multiply and accumulate
1478         acc00 = fma(a0.s2, b0.s0, acc00);
1479         acc01 = fma(a0.s2, b0.s1, acc01);
1480         acc02 = fma(a0.s2, b0.s2, acc02);
1481         acc03 = fma(a0.s2, b0.s3, acc03);
1482
1483 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1484
1485         acc10 = fma(a1.s2, b0.s0, acc10);
1486         acc11 = fma(a1.s2, b0.s1, acc11);
1487         acc12 = fma(a1.s2, b0.s2, acc12);
1488         acc13 = fma(a1.s2, b0.s3, acc13);
1489
1490 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1491 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1492
1493         acc20 = fma(a2.s2, b0.s0, acc20);
1494         acc21 = fma(a2.s2, b0.s1, acc21);
1495         acc22 = fma(a2.s2, b0.s2, acc22);
1496         acc23 = fma(a2.s2, b0.s3, acc23);
1497
1498 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1499 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1500
1501         acc30 = fma(a3.s2, b0.s0, acc30);
1502         acc31 = fma(a3.s2, b0.s1, acc31);
1503         acc32 = fma(a3.s2, b0.s2, acc32);
1504         acc33 = fma(a3.s2, b0.s3, acc33);
1505 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1506
1507         // Load values from matrix A and matrix B
1508         b0 = vload4(0, (__global float *)(src1_ptr + src_addr.s1));
1509         src_addr.s1 += src1_stride_y;
1510
1511         // Multiply and accumulate
1512         acc00 = fma(a0.s3, b0.s0, acc00);
1513         acc01 = fma(a0.s3, b0.s1, acc01);
1514         acc02 = fma(a0.s3, b0.s2, acc02);
1515         acc03 = fma(a0.s3, b0.s3, acc03);
1516
1517 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1518
1519         acc10 = fma(a1.s3, b0.s0, acc10);
1520         acc11 = fma(a1.s3, b0.s1, acc11);
1521         acc12 = fma(a1.s3, b0.s2, acc12);
1522         acc13 = fma(a1.s3, b0.s3, acc13);
1523
1524 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1525 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1526
1527         acc20 = fma(a2.s3, b0.s0, acc20);
1528         acc21 = fma(a2.s3, b0.s1, acc21);
1529         acc22 = fma(a2.s3, b0.s2, acc22);
1530         acc23 = fma(a2.s3, b0.s3, acc23);
1531
1532 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1533 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1534
1535         acc30 = fma(a3.s3, b0.s0, acc30);
1536         acc31 = fma(a3.s3, b0.s1, acc31);
1537         acc32 = fma(a3.s3, b0.s2, acc32);
1538         acc33 = fma(a3.s3, b0.s3, acc33);
1539 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1540
1541         src_addr.s0 += 4 * sizeof(float);
1542     }
1543
1544     for(; i < (int)COLS_A; ++i)
1545     {
1546         // Load values from matrix A
1547         float a0 = *((__global float *)(src0_ptr + src_addr.s0));
1548 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1549         float a1 = *((__global float *)(src0_ptr + src_addr.s0 + 1 * src0_stride_y));
1550 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1551 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1552         float a2 = *((__global float *)(src0_ptr + src_addr.s0 + 2 * src0_stride_y));
1553 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1554 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1555         float a3 = *((__global float *)(src0_ptr + src_addr.s0 + 3 * src0_stride_y));
1556 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1557         // Load values from matrix B
1558         float4 b0 = vload4(0, (__global float *)(src1_ptr + src_addr.s1));
1559         src_addr.s1 += src1_stride_y;
1560
1561         // Multiply and accumulate
1562         acc00 = fma(a0, b0.s0, acc00);
1563         acc01 = fma(a0, b0.s1, acc01);
1564         acc02 = fma(a0, b0.s2, acc02);
1565         acc03 = fma(a0, b0.s3, acc03);
1566 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1567         acc10 = fma(a1, b0.s0, acc10);
1568         acc11 = fma(a1, b0.s1, acc11);
1569         acc12 = fma(a1, b0.s2, acc12);
1570         acc13 = fma(a1, b0.s3, acc13);
1571 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1572 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1573         acc20 = fma(a2, b0.s0, acc20);
1574         acc21 = fma(a2, b0.s1, acc21);
1575         acc22 = fma(a2, b0.s2, acc22);
1576         acc23 = fma(a2, b0.s3, acc23);
1577 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1578 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1579         acc30 = fma(a3, b0.s0, acc30);
1580         acc31 = fma(a3, b0.s1, acc31);
1581         acc32 = fma(a3, b0.s2, acc32);
1582         acc33 = fma(a3, b0.s3, acc33);
1583 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1584
1585         src_addr.s0 += sizeof(float);
1586     }
1587
1588     // Compute destination address
1589     Image dst = CONVERT_TO_IMAGE_STRUCT(dst);
1590
1591     // Multiply by the weight of matrix-matrix product and store the result
1592 #if defined(ALPHA)
1593     acc00 = acc00 * ALPHA;
1594     acc01 = acc01 * ALPHA;
1595     acc02 = acc02 * ALPHA;
1596     acc03 = acc03 * ALPHA;
1597 #endif // defined(ALPHA)
1598
1599     // Compute dst address
1600     __global uchar *dst_addr = offset(&dst, 0, 0);
1601
1602     // Add offset for batched GEMM
1603     dst_addr += get_global_id(2) * dst_stride_z;
1604
1605     float4 acc0 = ((float4)(acc00, acc01, acc02, acc03));
1606     vstore4(acc0, 0, (__global float *)(dst_addr + 0 * dst_stride_y));
1607
1608 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1609 #if defined(ALPHA)
1610     acc10 = acc10 * ALPHA;
1611     acc11 = acc11 * ALPHA;
1612     acc12 = acc12 * ALPHA;
1613     acc13 = acc13 * ALPHA;
1614 #endif // defined(ALPHA)
1615     float4 acc1 = ((float4)(acc10, acc11, acc12, acc13));
1616     vstore4(acc1, 0, (__global float *)(dst_addr + 1 * dst_stride_y));
1617 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1618 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1619 #if defined(ALPHA)
1620     acc20 = acc20 * ALPHA;
1621     acc21 = acc21 * ALPHA;
1622     acc22 = acc22 * ALPHA;
1623     acc23 = acc23 * ALPHA;
1624 #endif // defined(ALPHA)
1625     float4 acc2 = ((float4)(acc20, acc21, acc22, acc23));
1626     vstore4(acc2, 0, (__global float *)(dst_addr + 2 * dst_stride_y));
1627 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1628 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1629 #if defined(ALPHA)
1630     acc30 = acc30 * ALPHA;
1631     acc31 = acc31 * ALPHA;
1632     acc32 = acc32 * ALPHA;
1633     acc33 = acc33 * ALPHA;
1634 #endif // defined(ALPHA)
1635     float4 acc3 = ((float4)(acc30, acc31, acc32, acc33));
1636     vstore4(acc3, 0, (__global float *)(dst_addr + 3 * dst_stride_y));
1637 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1638 }
1639
1640 /** This OpenCL kernel computes the matrix by matrix multiplication between the matrix A (src0) and matrix B (src1) in case both matrices have not been reshaped
1641  *
1642  * @note This OpenCL kernel works with the 32-bit floating point data type (float) and uses the fma units.
1643  * This OpenCL kernel is optimized for Bifrost when the number of matrix B columns is less or equal to 1000.
1644  * @note The number of elements processed along the x and y directions must be passed at compile time using -DNUM_ELEMS_PROCESSED_PER_THREAD_X and -DNUM_ELEMS_PROCESSED_PER_THREAD_Y.
1645  * This kernel optimally uses -DNUM_ELEMS_PROCESSED_PER_THREAD_X=2.
1646  * @note The number of matrix A columns must be passed at compile time using -DCOLS_A.
1647  * @note The optional value of scalar alpha is passed at compile time using -DALPHA=alpha if alpha!=1.0f.
1648  * @note In case the matrix B has 3 dimensions and the matrix A more than 3, in order to avoid out-of-bounds reads, the number of channels of matrix B must be passed at compile time using MATRIX_B_DEPTH (i.e. -DMATRIX_B_DEPTH=16)
1649  *       This case can happen when GEMM is used to perform the element-wise multiplication through a batched matrix multiplication (2D Winograd) and we have multiple inputs (i.e. a = [K, M, 16, Batches], b = [N, K, 16])
1650  *
1651  * @param[in]  src0_ptr                           Pointer to the source matrix. Supported data types: F16/F32
1652  * @param[in]  src0_stride_x                      Stride of the source matrix in X dimension (in bytes)
1653  * @param[in]  src0_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
1654  * @param[in]  src0_stride_y                      Stride of the source matrix in Y dimension (in bytes)
1655  * @param[in]  src0_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
1656  * @param[in]  src0_offset_first_element_in_bytes The offset of the first element in the source matrix
1657  * @param[in]  src1_ptr                           Pointer to the source matrix. Supported data types: same as @p src0_ptr
1658  * @param[in]  src1_stride_x                      Stride of the source matrix in X dimension (in bytes)
1659  * @param[in]  src1_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
1660  * @param[in]  src1_stride_y                      Stride of the source matrix in Y dimension (in bytes)
1661  * @param[in]  src1_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
1662  * @param[in]  src1_offset_first_element_in_bytes The offset of the first element in the source matrix
1663  * @param[out] dst_ptr                            Pointer to the destination matrix Supported data types: same as @p src0_ptr
1664  * @param[in]  dst_stride_x                       Stride of the destination matrix in X dimension (in bytes)
1665  * @param[in]  dst_step_x                         dst_gx_stride_x * number of elements along X processed per workitem(in bytes)
1666  * @param[in]  dst_stride_y                       Stride of the destination matrix in Y dimension (in bytes)
1667  * @param[in]  dst_step_y                         dst_gx_stride_y * number of elements along Y processed per workitem(in bytes)
1668  * @param[in]  dst_offset_first_element_in_bytes  The offset of the first element in the destination matrix
1669  */
1670 __kernel void gemm_mm_floating_point_f32_bifrost_1000(IMAGE_DECLARATION(src0),
1671                                                       IMAGE_DECLARATION(src1),
1672                                                       IMAGE_DECLARATION(dst),
1673                                                       uint src0_stride_z,
1674                                                       uint src1_stride_z,
1675                                                       uint dst_stride_z)
1676 {
1677     // Requires 2 NUM_ELEMS_PROCESSED_PER_THREAD_X, C vect2, A vect4, B (2 vload2) // to fix for NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1678     int idx = get_global_id(0) * NUM_ELEMS_PROCESSED_PER_THREAD_X;
1679
1680     // Compute starting address for matrix A and Matrix B
1681     int2 src_addr = ((int2)(src0_offset_first_element_in_bytes, src1_offset_first_element_in_bytes));
1682
1683     // Update address for the matrix A
1684     src_addr.s0 += get_global_id(1) * src0_stride_y * NUM_ELEMS_PROCESSED_PER_THREAD_Y;
1685
1686     // Update address for the matrix B
1687     src_addr.s1 += idx * sizeof(float);
1688
1689     // Add offset for batched GEMM
1690     src_addr.s0 += get_global_id(2) * src0_stride_z;
1691
1692 #if defined(MATRIX_B_DEPTH)
1693     // Do not slide matrix B if the matrix B has 3 dimensions and matrix A more than 3
1694     src_addr.s1 += (get_global_id(2) % MATRIX_B_DEPTH) * src1_stride_z;
1695 #else  // defined(MATRIX_B_DEPTH)
1696     src_addr.s1 += get_global_id(2) * src1_stride_z;
1697 #endif // defined(MATRIX_B_DEPTH)
1698
1699     // Initialize accumulators
1700     float acc00 = 0.0f;
1701     float acc01 = 0.0f;
1702
1703 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1704     float acc10 = 0.0f;
1705     float acc11 = 0.0f;
1706 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1707 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1708     float acc20 = 0.0f;
1709     float acc21 = 0.0f;
1710 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1711 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1712     float acc30 = 0.0f;
1713     float acc31 = 0.0f;
1714 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1715
1716     // A and B src indices get incremented at the same time.
1717     int i = 0;
1718     for(; i <= ((int)COLS_A - 8); i += 8)
1719     {
1720         // Load values from matrix A
1721         float8 a0 = vload8(0, (__global float *)(src0_ptr + src_addr.s0));
1722
1723         // Load values from matrix B
1724         float2 b0 = vload2(0, (__global float *)(src1_ptr + src_addr.s1));
1725         src_addr.s1 += src1_stride_y;
1726         float2 b1 = vload2(0, (__global float *)(src1_ptr + src_addr.s1));
1727         src_addr.s1 += src1_stride_y;
1728         float2 b2 = vload2(0, (__global float *)(src1_ptr + src_addr.s1));
1729         src_addr.s1 += src1_stride_y;
1730         float2 b3 = vload2(0, (__global float *)(src1_ptr + src_addr.s1));
1731         src_addr.s1 += src1_stride_y;
1732         float2 b4 = vload2(0, (__global float *)(src1_ptr + src_addr.s1));
1733         src_addr.s1 += src1_stride_y;
1734         float2 b5 = vload2(0, (__global float *)(src1_ptr + src_addr.s1));
1735         src_addr.s1 += src1_stride_y;
1736         float2 b6 = vload2(0, (__global float *)(src1_ptr + src_addr.s1));
1737         src_addr.s1 += src1_stride_y;
1738         float2 b7 = vload2(0, (__global float *)(src1_ptr + src_addr.s1));
1739         src_addr.s1 += src1_stride_y;
1740
1741         // Multiply and accumulate
1742         acc00 = fma(a0.s0, b0.s0, acc00);
1743         acc00 = fma(a0.s1, b1.s0, acc00);
1744         acc00 = fma(a0.s2, b2.s0, acc00);
1745         acc00 = fma(a0.s3, b3.s0, acc00);
1746         acc00 = fma(a0.s4, b4.s0, acc00);
1747         acc00 = fma(a0.s5, b5.s0, acc00);
1748         acc00 = fma(a0.s6, b6.s0, acc00);
1749         acc00 = fma(a0.s7, b7.s0, acc00);
1750
1751         acc01 = fma(a0.s0, b0.s1, acc01);
1752         acc01 = fma(a0.s1, b1.s1, acc01);
1753         acc01 = fma(a0.s2, b2.s1, acc01);
1754         acc01 = fma(a0.s3, b3.s1, acc01);
1755         acc01 = fma(a0.s4, b4.s1, acc01);
1756         acc01 = fma(a0.s5, b5.s1, acc01);
1757         acc01 = fma(a0.s6, b6.s1, acc01);
1758         acc01 = fma(a0.s7, b7.s1, acc01);
1759
1760 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1761         a0    = vload8(0, (__global float *)(src0_ptr + src_addr.s0 + 1 * src0_stride_y));
1762         acc10 = fma(a0.s0, b0.s0, acc10);
1763         acc10 = fma(a0.s1, b1.s0, acc10);
1764         acc10 = fma(a0.s2, b2.s0, acc10);
1765         acc10 = fma(a0.s3, b3.s0, acc10);
1766         acc10 = fma(a0.s4, b4.s0, acc10);
1767         acc10 = fma(a0.s5, b5.s0, acc10);
1768         acc10 = fma(a0.s6, b6.s0, acc10);
1769         acc10 = fma(a0.s7, b7.s0, acc10);
1770
1771         acc11 = fma(a0.s0, b0.s1, acc11);
1772         acc11 = fma(a0.s1, b1.s1, acc11);
1773         acc11 = fma(a0.s2, b2.s1, acc11);
1774         acc11 = fma(a0.s3, b3.s1, acc11);
1775         acc11 = fma(a0.s4, b4.s1, acc11);
1776         acc11 = fma(a0.s5, b5.s1, acc11);
1777         acc11 = fma(a0.s6, b6.s1, acc11);
1778         acc11 = fma(a0.s7, b7.s1, acc11);
1779 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1780 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1781         a0    = vload8(0, (__global float *)(src0_ptr + src_addr.s0 + 2 * src0_stride_y));
1782         acc20 = fma(a0.s0, b0.s0, acc20);
1783         acc20 = fma(a0.s1, b1.s0, acc20);
1784         acc20 = fma(a0.s2, b2.s0, acc20);
1785         acc20 = fma(a0.s3, b3.s0, acc20);
1786         acc20 = fma(a0.s4, b4.s0, acc20);
1787         acc20 = fma(a0.s5, b5.s0, acc20);
1788         acc20 = fma(a0.s6, b6.s0, acc20);
1789         acc20 = fma(a0.s7, b7.s0, acc20);
1790
1791         acc21 = fma(a0.s0, b0.s1, acc21);
1792         acc21 = fma(a0.s1, b1.s1, acc21);
1793         acc21 = fma(a0.s2, b2.s1, acc21);
1794         acc21 = fma(a0.s3, b3.s1, acc21);
1795         acc21 = fma(a0.s4, b4.s1, acc21);
1796         acc21 = fma(a0.s5, b5.s1, acc21);
1797         acc21 = fma(a0.s6, b6.s1, acc21);
1798         acc21 = fma(a0.s7, b7.s1, acc21);
1799 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1800 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1801         a0    = vload8(0, (__global float *)(src0_ptr + src_addr.s0 + 3 * src0_stride_y));
1802         acc30 = fma(a0.s0, b0.s0, acc30);
1803         acc30 = fma(a0.s1, b1.s0, acc30);
1804         acc30 = fma(a0.s2, b2.s0, acc30);
1805         acc30 = fma(a0.s3, b3.s0, acc30);
1806         acc30 = fma(a0.s4, b4.s0, acc30);
1807         acc30 = fma(a0.s5, b5.s0, acc30);
1808         acc30 = fma(a0.s6, b6.s0, acc30);
1809         acc30 = fma(a0.s7, b7.s0, acc30);
1810
1811         acc31 = fma(a0.s0, b0.s1, acc31);
1812         acc31 = fma(a0.s1, b1.s1, acc31);
1813         acc31 = fma(a0.s2, b2.s1, acc31);
1814         acc31 = fma(a0.s3, b3.s1, acc31);
1815         acc31 = fma(a0.s4, b4.s1, acc31);
1816         acc31 = fma(a0.s5, b5.s1, acc31);
1817         acc31 = fma(a0.s6, b6.s1, acc31);
1818         acc31 = fma(a0.s7, b7.s1, acc31);
1819 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1820
1821         src_addr.s0 += sizeof(float) * 8;
1822     }
1823     // float size increment
1824     for(; i < (int)COLS_A; ++i)
1825     {
1826         // Load values from matrix A
1827         float a0 = *((__global float *)(src0_ptr + src_addr.s0 + 0 * src0_stride_y));
1828 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1829         float a1 = *((__global float *)(src0_ptr + src_addr.s0 + 1 * src0_stride_y));
1830 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1831 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1832         float a2 = *((__global float *)(src0_ptr + src_addr.s0 + 2 * src0_stride_y));
1833 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1834 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1835         float a3 = *((__global float *)(src0_ptr + src_addr.s0 + 3 * src0_stride_y));
1836 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1837         // Load values from matrix B
1838         float2 b0 = vload2(0, (__global float *)(src1_ptr + src_addr.s1));
1839         src_addr.s1 += src1_stride_y;
1840
1841         // Multiply and accumulate
1842         acc00 = fma(a0, b0.s0, acc00);
1843         acc01 = fma(a0, b0.s1, acc01);
1844 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1845         acc10 = fma(a1, b0.s0, acc10);
1846         acc11 = fma(a1, b0.s1, acc11);
1847 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1848 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1849         acc20 = fma(a2, b0.s0, acc20);
1850         acc21 = fma(a2, b0.s1, acc21);
1851 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1852 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1853         acc30 = fma(a3, b0.s0, acc30);
1854         acc31 = fma(a3, b0.s1, acc31);
1855 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1856
1857         src_addr.s0 += sizeof(float);
1858     }
1859
1860     // Compute destination address
1861     Image dst = CONVERT_TO_IMAGE_STRUCT(dst);
1862
1863     // Compute dst address
1864     __global uchar *dst_addr = offset(&dst, 0, 0);
1865
1866     // Add offset for batched GEMM
1867     dst_addr += get_global_id(2) * dst_stride_z;
1868
1869     // Multiply by the weight of matrix-matrix product and store the result
1870 #if defined(ALPHA)
1871     acc00 = acc00 * ALPHA;
1872     acc01 = acc01 * ALPHA;
1873 #endif // defined(ALPHA)
1874     float2 acc0 = ((float2)(acc00, acc01));
1875     vstore2(acc0, 0, (__global float *)(dst_addr + 0 * dst_stride_y));
1876 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1877 #if defined(ALPHA)
1878     acc10 = acc10 * ALPHA;
1879     acc11 = acc11 * ALPHA;
1880 #endif // defined(ALPHA)
1881     float2 acc1 = ((float2)(acc10, acc11));
1882     vstore2(acc1, 0, (__global float *)(dst_addr + 1 * dst_stride_y));
1883 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1884 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1885 #if defined(ALPHA)
1886     acc20 = acc20 * ALPHA;
1887     acc21 = acc21 * ALPHA;
1888 #endif // defined(ALPHA)
1889     float2 acc2 = ((float2)(acc20, acc21));
1890     vstore2(acc2, 0, (__global float *)(dst_addr + 2 * dst_stride_y));
1891 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1892 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1893 #if defined(ALPHA)
1894     acc30 = acc30 * ALPHA;
1895     acc31 = acc31 * ALPHA;
1896 #endif // defined(ALPHA)
1897     float2 acc3 = (float2)(acc30, acc31);
1898     vstore2(acc3, 0, (__global float *)(dst_addr + 3 * dst_stride_y));
1899 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1900 }
1901
1902 /** This OpenCL kernel computes the matrix by matrix multiplication between the matrix A (src0) and matrix B (src1) in case both matrices have not beed reshaped
1903  *
1904  * @note This OpenCL kernel works with the 16-bit floating point data type (half) and uses the fma units.
1905  * @note The number of elements processed along the x and y directions must be passed at compile time using -DNUM_ELEMS_PROCESSED_PER_THREAD_X and -DNUM_ELEMS_PROCESSED_PER_THREAD_Y.
1906  * This kernel optimally uses -DNUM_ELEMS_PROCESSED_PER_THREAD_X=4.
1907  * @note The number of matrix A columns must be passed at compile time using -DCOLS_A.
1908  * @note The optional value of scalar alpha is passed at compile time using -DALPHA=alpha
1909  * @note In case the matrix B has 3 dimensions and the matrix A more than 3, in order to avoid out-of-bounds reads, the number of channels of matrix B must be passed at compile time using MATRIX_B_DEPTH (i.e. -DMATRIX_B_DEPTH=16)
1910  *       This case can happen when GEMM is used to perform the element-wise multiplication through a batched matrix multiplication (2D Winograd) and we have multiple inputs (i.e. a = [K, M, 16, Batches], b = [N, K, 16])
1911  *
1912  * @param[in]  src0_ptr                           Pointer to the source matrix. Supported data types: F16
1913  * @param[in]  src0_stride_x                      Stride of the source matrix in X dimension (in bytes)
1914  * @param[in]  src0_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
1915  * @param[in]  src0_stride_y                      Stride of the source matrix in Y dimension (in bytes)
1916  * @param[in]  src0_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
1917  * @param[in]  src0_offset_first_element_in_bytes The offset of the first element in the source matrix
1918  * @param[in]  src1_ptr                           Pointer to the source matrix. Supported data types: same as @p src0_ptr
1919  * @param[in]  src1_stride_x                      Stride of the source matrix in X dimension (in bytes)
1920  * @param[in]  src1_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
1921  * @param[in]  src1_stride_y                      Stride of the source matrix in Y dimension (in bytes)
1922  * @param[in]  src1_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
1923  * @param[in]  src1_offset_first_element_in_bytes The offset of the first element in the source matrix
1924  * @param[out] dst_ptr                            Pointer to the destination matrix Supported data types: same as @p src0_ptr
1925  * @param[in]  dst_stride_x                       Stride of the destination matrix in X dimension (in bytes)
1926  * @param[in]  dst_step_x                         dst_gx_stride_x * number of elements along X processed per workitem(in bytes)
1927  * @param[in]  dst_stride_y                       Stride of the destination matrix in Y dimension (in bytes)
1928  * @param[in]  dst_step_y                         dst_gx_stride_y * number of elements along Y processed per workitem(in bytes)
1929  * @param[in]  dst_offset_first_element_in_bytes  The offset of the first element in the destination matrix
1930  */
1931 __kernel void gemm_mm_floating_point_f16_bifrost(IMAGE_DECLARATION(src0),
1932                                                  IMAGE_DECLARATION(src1),
1933                                                  IMAGE_DECLARATION(dst),
1934                                                  uint src0_stride_z,
1935                                                  uint src1_stride_z,
1936                                                  uint dst_stride_z)
1937 {
1938     int idx = get_global_id(0) * NUM_ELEMS_PROCESSED_PER_THREAD_X;
1939
1940     // Compute starting address for matrix A and Matrix B
1941     int2 src_addr = ((int2)(src0_offset_first_element_in_bytes, src1_offset_first_element_in_bytes));
1942
1943     // Update address for the matrix A
1944     src_addr.s0 += get_global_id(1) * src0_stride_y * NUM_ELEMS_PROCESSED_PER_THREAD_Y;
1945
1946     // Update address for the matrix B
1947     src_addr.s1 += idx * sizeof(half);
1948
1949     // Add offset for batched GEMM
1950     src_addr.s0 += get_global_id(2) * src0_stride_z;
1951
1952 #if defined(MATRIX_B_DEPTH)
1953     // Do not slide matrix B if the matrix B has 3 dimensions and matrix A more than 3
1954     src_addr.s1 += (get_global_id(2) % MATRIX_B_DEPTH) * src1_stride_z;
1955 #else  // defined(MATRIX_B_DEPTH)
1956     src_addr.s1 += get_global_id(2) * src1_stride_z;
1957 #endif // defined(MATRIX_B_DEPTH)
1958
1959     half8 acc0 = 0.0h;
1960 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1961     half8 acc1 = 0.0h;
1962 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1963 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1964     half8 acc2 = 0.0h;
1965 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1966 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1967     half8 acc3 = 0.0h;
1968 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1969
1970     int i = 0;
1971     for(; i <= ((int)COLS_A - 4); i += 4)
1972     {
1973         // Load values from matrix A
1974         half4 a0 = vload4(0, (__global half *)(src0_ptr + src_addr.s0 + 0 * src0_stride_y));
1975 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1976         half4 a1 = vload4(0, (__global half *)(src0_ptr + src_addr.s0 + 1 * src0_stride_y));
1977 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1978 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1979         half4 a2 = vload4(0, (__global half *)(src0_ptr + src_addr.s0 + 2 * src0_stride_y));
1980 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1981 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1982         half4 a3 = vload4(0, (__global half *)(src0_ptr + src_addr.s0 + 3 * src0_stride_y));
1983 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1984         // Load values from matrix B
1985         half8 b0 = vload8(0, (__global half *)(src1_ptr + src_addr.s1));
1986         src_addr.s1 += src1_stride_y;
1987
1988         // Accumulate
1989         acc0 = fma(b0, (half8)a0.s0, acc0);
1990 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1991         acc1 = fma(b0, (half8)a1.s0, acc1);
1992 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
1993 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1994         acc2 = fma(b0, (half8)a2.s0, acc2);
1995 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
1996 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1997         acc3 = fma(b0, (half8)a3.s0, acc3);
1998 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
1999
2000         b0 = vload8(0, (__global half *)(src1_ptr + src_addr.s1));
2001         src_addr.s1 += src1_stride_y;
2002         acc0 = fma(b0, (half8)a0.s1, acc0);
2003 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2004         acc1 = fma(b0, (half8)a1.s1, acc1);
2005 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2006 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2007         acc2 = fma(b0, (half8)a2.s1, acc2);
2008 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2009 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2010         acc3 = fma(b0, (half8)a3.s1, acc3);
2011 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2012
2013         b0 = vload8(0, (__global half *)(src1_ptr + src_addr.s1));
2014         src_addr.s1 += src1_stride_y;
2015         acc0 = fma(b0, (half8)a0.s2, acc0);
2016 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2017         acc1 = fma(b0, (half8)a1.s2, acc1);
2018 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2019 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2020         acc2 = fma(b0, (half8)a2.s2, acc2);
2021 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2022 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2023         acc3 = fma(b0, (half8)a3.s2, acc3);
2024 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2025
2026         b0 = vload8(0, (__global half *)(src1_ptr + src_addr.s1));
2027         src_addr.s1 += src1_stride_y;
2028         acc0 = fma(b0, (half8)a0.s3, acc0);
2029 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2030         acc1 = fma(b0, (half8)a1.s3, acc1);
2031 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2032 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2033         acc2 = fma(b0, (half8)a2.s3, acc2);
2034 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2035 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2036         acc3 = fma(b0, (half8)a3.s3, acc3);
2037 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2038
2039         src_addr.s0 += 4 * sizeof(half);
2040     }
2041
2042     for(; i < (int)COLS_A; ++i)
2043     {
2044         // Load values from matrix A
2045         half a0 = *((__global half *)(src0_ptr + src_addr.s0 + 0 * src0_stride_y));
2046 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2047         half a1 = *((__global half *)(src0_ptr + src_addr.s0 + 1 * src0_stride_y));
2048 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2049 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2050         half a2 = *((__global half *)(src0_ptr + src_addr.s0 + 2 * src0_stride_y));
2051 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2052 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2053         half a3 = *((__global half *)(src0_ptr + src_addr.s0 + 3 * src0_stride_y));
2054 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2055         // Load values from matrix B
2056         half8 b0 = vload8(0, (__global half *)(src1_ptr + src_addr.s1));
2057
2058         src_addr += (int2)(sizeof(half), src1_stride_y);
2059
2060         // Accumulate
2061         acc0 = fma(b0, (half8)a0, acc0); // b0 * (half8)a0;
2062 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2063         acc1 = fma(b0, (half8)a1, acc1); // b0 * (half8)a1;
2064 #endif                                   // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2065 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2066         acc2 = fma(b0, (half8)a2, acc2); // b0 * (half8)a2;
2067 #endif                                   // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2068 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2069         acc3 = fma(b0, (half8)a3, acc3); // b0 * (half8)a3;
2070 #endif                                   // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2071     }
2072
2073     // Compute destination address
2074     Image dst = CONVERT_TO_IMAGE_STRUCT(dst);
2075
2076     // Compute dst address
2077     __global uchar *dst_addr = offset(&dst, 0, 0);
2078
2079     // Add offset for batched GEMM
2080     dst_addr += get_global_id(2) * dst_stride_z;
2081
2082     // Multiply by the weight of matrix-matrix product and store the result
2083 #if defined(ALPHA)
2084     acc0 = acc0 * (half8)ALPHA;
2085 #endif // defined(ALPHA)
2086     vstore8(acc0, 0, (__global half *)(dst_addr + 0 * dst_stride_y));
2087 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2088 #if defined(ALPHA)
2089     acc1 = acc1 * (half8)ALPHA;
2090 #endif // defined(ALPHA)
2091     vstore8(acc1, 0, (__global half *)(dst_addr + 1 * dst_stride_y));
2092 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2093 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2094 #if defined(ALPHA)
2095     acc2 = acc2 * (half8)ALPHA;
2096 #endif // defined(ALPHA)
2097     vstore8(acc2, 0, (__global half *)(dst_addr + 2 * dst_stride_y));
2098 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2099 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2100 #if defined(ALPHA)
2101     acc3 = acc3 * (half8)ALPHA;
2102 #endif // defined(ALPHA)
2103     vstore8(acc3, 0, (__global half *)(dst_addr + 3 * dst_stride_y));
2104 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2105 }
2106
2107 #if defined(FIXED_POINT_POSITION)
2108 /** This OpenCL kernel computes the matrix by matrix multiplication between the matrix A (src0) and matrix B (src1) in case both matrices have not beed reshaped
2109  *
2110  * @note This OpenCL kernel works with fixed point data types QS8
2111  * @note The number of elements processed along the x and y directions must be passed at compile time using -DNUM_ELEMS_PROCESSED_PER_THREAD_X and -DNUM_ELEMS_PROCESSED_PER_THREAD_Y
2112  * @note The number matrix A columns, the number of elements processed per thread along the Y direction and the alpha's value need to be passed at compile time using -DCOLS_A, -DNUM_ELEMS_PROCESSED_PER_THREAD_Y and -DALPHA
2113  * @note The fixed point position need to be passed at compile time using -DFIXED_POINT_POSITION
2114  * @note The optional alpha value must be passed in 8 bit fixed point format using -DALPHA
2115  * @note In case the matrix B has 3 dimensions and the matrix A more than 3, in order to avoid out-of-bounds reads, the number of channels of matrix B must be passed at compile time using MATRIX_B_DEPTH (i.e. -DMATRIX_B_DEPTH=16)
2116  *       This case can happen when GEMM is used to perform the element-wise multiplication through a batched matrix multiplication (2D Winograd) and we have multiple inputs (i.e. a = [K, M, 16, Batches], b = [N, K, 16])
2117  *
2118  * @param[in]  src0_ptr                           Pointer to the source matrix. Supported data types: QS8/QS16
2119  * @param[in]  src0_stride_x                      Stride of the source matrix in X dimension (in bytes)
2120  * @param[in]  src0_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
2121  * @param[in]  src0_stride_y                      Stride of the source matrix in Y dimension (in bytes)
2122  * @param[in]  src0_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
2123  * @param[in]  src0_offset_first_element_in_bytes The offset of the first element in the source matrix
2124  * @param[in]  src1_ptr                           Pointer to the source matrix. Supported data types: same as @p src0_ptr
2125  * @param[in]  src1_stride_x                      Stride of the source matrix in X dimension (in bytes)
2126  * @param[in]  src1_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
2127  * @param[in]  src1_stride_y                      Stride of the source matrix in Y dimension (in bytes)
2128  * @param[in]  src1_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
2129  * @param[in]  src1_offset_first_element_in_bytes The offset of the first element in the source matrix
2130  * @param[out] dst_ptr                            Pointer to the destination matrix Supported data types: same as @p src0_ptr
2131  * @param[in]  dst_stride_x                       Stride of the destination matrix in X dimension (in bytes)
2132  * @param[in]  dst_step_x                         dst_gx_stride_x * number of elements along X processed per workitem(in bytes)
2133  * @param[in]  dst_stride_y                       Stride of the destination matrix in Y dimension (in bytes)
2134  * @param[in]  dst_step_y                         dst_gx_stride_y * number of elements along Y processed per workitem(in bytes)
2135  * @param[in]  dst_offset_first_element_in_bytes  The offset of the first element in the destination matrix
2136  */
2137 __kernel void gemm_mm_qs8(IMAGE_DECLARATION(src0),
2138                           IMAGE_DECLARATION(src1),
2139                           IMAGE_DECLARATION(dst),
2140                           uint src0_stride_z,
2141                           uint src1_stride_z,
2142                           uint dst_stride_z)
2143 {
2144     int idx = get_global_id(0) * NUM_ELEMS_PROCESSED_PER_THREAD_X;
2145
2146     // Compute starting address for matrix A and Matrix B
2147     int2 src_addr = ((int2)(src0_offset_first_element_in_bytes, src1_offset_first_element_in_bytes));
2148
2149     // Update address for the matrix A
2150     src_addr.s0 += get_global_id(1) * src0_stride_y * NUM_ELEMS_PROCESSED_PER_THREAD_Y;
2151
2152     // Update address for the matrix B
2153     src_addr.s1 += idx * sizeof(char);
2154
2155     // Add offset for batched GEMM
2156     src_addr.s0 += get_global_id(2) * src0_stride_z;
2157
2158 #if defined(MATRIX_B_DEPTH)
2159     // Do not slide matrix B if the matrix B has 3 dimensions and matrix A more than 3
2160     src_addr.s1 += (get_global_id(2) % MATRIX_B_DEPTH) * src1_stride_z;
2161 #else  // defined(MATRIX_B_DEPTH)
2162     src_addr.s1 += get_global_id(2) * src1_stride_z;
2163 #endif // defined(MATRIX_B_DEPTH)
2164
2165     int end_row_vec_a = src_addr.s0 + (COLS_A * sizeof(char));
2166
2167     short8 acc00 = 0;
2168     short8 acc01 = 0;
2169 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2170     short8 acc10 = 0;
2171     short8 acc11 = 0;
2172 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2173 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2174     short8 acc20 = 0;
2175     short8 acc21 = 0;
2176 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2177 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2178     short8 acc30 = 0;
2179     short8 acc31 = 0;
2180 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2181
2182     // This for loop performs 4 accumulations per iteration
2183     for(; src_addr.s0 <= (end_row_vec_a - 2); src_addr += (int2)(2, 2 * src1_stride_y))
2184     {
2185         char2 a0 = vload2(0, (__global char *)(src0_ptr + src_addr.s0 + 0 * src0_stride_y));
2186 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2187         char2 a1 = vload2(0, (__global char *)(src0_ptr + src_addr.s0 + 1 * src0_stride_y));
2188 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2189 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2190         char2 a2 = vload2(0, (__global char *)(src0_ptr + src_addr.s0 + 2 * src0_stride_y));
2191 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2192 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2193         char2 a3 = vload2(0, (__global char *)(src0_ptr + src_addr.s0 + 3 * src0_stride_y));
2194 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2195         char16 b0 = vload16(0, (__global char *)(src1_ptr + src_addr.s1 + 0 * src1_stride_y));
2196         char16 b1 = vload16(0, (__global char *)(src1_ptr + src_addr.s1 + 1 * src1_stride_y));
2197
2198         acc00 = mlal_sat_qs8x8(acc00, (char8)a0.s0, b0.s01234567, FIXED_POINT_POSITION);
2199         acc00 = mlal_sat_qs8x8(acc00, (char8)a0.s1, b1.s01234567, FIXED_POINT_POSITION);
2200         acc01 = mlal_sat_qs8x8(acc01, (char8)a0.s0, b0.s89ABCDEF, FIXED_POINT_POSITION);
2201         acc01 = mlal_sat_qs8x8(acc01, (char8)a0.s1, b1.s89ABCDEF, FIXED_POINT_POSITION);
2202 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2203         acc10 = mlal_sat_qs8x8(acc10, (char8)a1.s0, b0.s01234567, FIXED_POINT_POSITION);
2204         acc10 = mlal_sat_qs8x8(acc10, (char8)a1.s1, b1.s01234567, FIXED_POINT_POSITION);
2205         acc11 = mlal_sat_qs8x8(acc11, (char8)a1.s0, b0.s89ABCDEF, FIXED_POINT_POSITION);
2206         acc11 = mlal_sat_qs8x8(acc11, (char8)a1.s1, b1.s89ABCDEF, FIXED_POINT_POSITION);
2207 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2208 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2209         acc20 = mlal_sat_qs8x8(acc20, (char8)a2.s0, b0.s01234567, FIXED_POINT_POSITION);
2210         acc20 = mlal_sat_qs8x8(acc20, (char8)a2.s1, b1.s01234567, FIXED_POINT_POSITION);
2211         acc21 = mlal_sat_qs8x8(acc21, (char8)a2.s0, b0.s89ABCDEF, FIXED_POINT_POSITION);
2212         acc21 = mlal_sat_qs8x8(acc21, (char8)a2.s1, b1.s89ABCDEF, FIXED_POINT_POSITION);
2213 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2214 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2215         acc30 = mlal_sat_qs8x8(acc30, (char8)a3.s0, b0.s01234567, FIXED_POINT_POSITION);
2216         acc30 = mlal_sat_qs8x8(acc30, (char8)a3.s1, b1.s01234567, FIXED_POINT_POSITION);
2217         acc31 = mlal_sat_qs8x8(acc31, (char8)a3.s0, b0.s89ABCDEF, FIXED_POINT_POSITION);
2218         acc31 = mlal_sat_qs8x8(acc31, (char8)a3.s1, b1.s89ABCDEF, FIXED_POINT_POSITION);
2219 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2220     }
2221
2222     // Left-over accumulations
2223     for(; src_addr.s0 < end_row_vec_a; src_addr += (int2)(1, src1_stride_y))
2224     {
2225         char a0 = *((__global char *)(src0_ptr + src_addr.s0 + 0 * src0_stride_y));
2226 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2227         char a1 = *((__global char *)(src0_ptr + src_addr.s0 + 1 * src0_stride_y));
2228 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2229 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2230         char a2 = *((__global char *)(src0_ptr + src_addr.s0 + 2 * src0_stride_y));
2231 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2232 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2233         char a3 = *((__global char *)(src0_ptr + src_addr.s0 + 3 * src0_stride_y));
2234 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2235         char16 b0 = vload16(0, (__global char *)(src1_ptr + src_addr.s1));
2236
2237         acc00 = mlal_sat_qs8x8(acc00, (char8)a0, b0.s01234567, FIXED_POINT_POSITION);
2238         acc01 = mlal_sat_qs8x8(acc01, (char8)a0, b0.s89ABCDEF, FIXED_POINT_POSITION);
2239 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2240         acc10 = mlal_sat_qs8x8(acc10, (char8)a1, b0.s01234567, FIXED_POINT_POSITION);
2241         acc11 = mlal_sat_qs8x8(acc11, (char8)a1, b0.s89ABCDEF, FIXED_POINT_POSITION);
2242 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2243 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2244         acc20 = mlal_sat_qs8x8(acc20, (char8)a2, b0.s01234567, FIXED_POINT_POSITION);
2245         acc21 = mlal_sat_qs8x8(acc21, (char8)a2, b0.s89ABCDEF, FIXED_POINT_POSITION);
2246 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2247 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2248         acc30 = mlal_sat_qs8x8(acc30, (char8)a3, b0.s01234567, FIXED_POINT_POSITION);
2249         acc31 = mlal_sat_qs8x8(acc31, (char8)a3, b0.s89ABCDEF, FIXED_POINT_POSITION);
2250 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2251     }
2252
2253     // Compute destination address
2254     Image dst = CONVERT_TO_IMAGE_STRUCT(dst);
2255
2256     // Compute dst address
2257     __global uchar *dst_addr = offset(&dst, 0, 0);
2258
2259     // Add offset for batched GEMM
2260     dst_addr += get_global_id(2) * dst_stride_z;
2261
2262     // Multiply by the weight of matrix product and store the result
2263     char16 acc_qs8;
2264     acc_qs8 = convert_char16_sat((short16)(acc00, acc01));
2265 #if defined(ALPHA)
2266     acc_qs8 = mul_sat_qs8x16(acc_qs8, (char16)ALPHA, FIXED_POINT_POSITION);
2267 #endif // defined(ALPHA)
2268     vstore16(acc_qs8, 0, (__global char *)(dst_addr + 0 * dst_stride_y));
2269 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2270     acc_qs8 = convert_char16_sat((short16)(acc10, acc11));
2271 #if defined(ALPHA)
2272     acc_qs8 = mul_sat_qs8x16(acc_qs8, (char16)ALPHA, FIXED_POINT_POSITION);
2273 #endif // defined(ALPHA)
2274     vstore16(acc_qs8, 0, (__global char *)(dst_addr + 1 * dst_stride_y));
2275 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2276 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2277     acc_qs8 = convert_char16_sat((short16)(acc20, acc21));
2278 #if defined(ALPHA)
2279     acc_qs8 = mul_sat_qs8x16(acc_qs8, (char16)ALPHA, FIXED_POINT_POSITION);
2280 #endif // defined(ALPHA)
2281     vstore16(acc_qs8, 0, (__global char *)(dst_addr + 2 * dst_stride_y));
2282 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2283 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2284     acc_qs8 = convert_char16_sat((short16)(acc30, acc31));
2285 #if defined(ALPHA)
2286     acc_qs8 = mul_sat_qs8x16(acc_qs8, (char16)ALPHA, FIXED_POINT_POSITION);
2287 #endif // defined(ALPHA)
2288     vstore16(acc_qs8, 0, (__global char *)(dst_addr + 3 * dst_stride_y));
2289 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2290 }
2291
2292 /** This OpenCL kernel computes the matrix by matrix multiplication between the matrix A (src0) and matrix B (src1) in case both matrices have not beed reshaped
2293  *
2294  * @note This OpenCL kernel works with fixed point data types QS16
2295  * @note The number of elements processed along the x and y directions must be passed at compile time using -DNUM_ELEMS_PROCESSED_PER_THREAD_X and -DNUM_ELEMS_PROCESSED_PER_THREAD_Y
2296  * @note The number of matrix A columns, the number of elements processed per thread along the Y direction and the alpha's value need to be passed at compile time using -DCOLS_A, -DNUM_ELEMS_PROCESSED_PER_THREAD_Y and -DALPHA
2297  * @note The fixed point position need to be passed at compile time using -DFIXED_POINT_POSITION
2298  * @note The optional alpha value must be passed in 16 bit fixed point format using -DALPHA
2299  * @note In case the matrix B has 3 dimensions and the matrix A more than 3, in order to avoid out-of-bounds reads, the number of channels of matrix B must be passed at compile time using MATRIX_B_DEPTH (i.e. -DMATRIX_B_DEPTH=16)
2300  *       This case can happen when GEMM is used to perform the element-wise multiplication through a batched matrix multiplication (2D Winograd) and we have multiple inputs (i.e. a = [K, M, 16, Batches], b = [N, K, 16])
2301  *
2302  * @param[in]  src0_ptr                           Pointer to the source matrix. Supported data types: QS8/QS16
2303  * @param[in]  src0_stride_x                      Stride of the source matrix in X dimension (in bytes)
2304  * @param[in]  src0_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
2305  * @param[in]  src0_stride_y                      Stride of the source matrix in Y dimension (in bytes)
2306  * @param[in]  src0_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
2307  * @param[in]  src0_offset_first_element_in_bytes The offset of the first element in the source matrix
2308  * @param[in]  src1_ptr                           Pointer to the source matrix. Supported data types: same as @p src0_ptr
2309  * @param[in]  src1_stride_x                      Stride of the source matrix in X dimension (in bytes)
2310  * @param[in]  src1_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
2311  * @param[in]  src1_stride_y                      Stride of the source matrix in Y dimension (in bytes)
2312  * @param[in]  src1_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
2313  * @param[in]  src1_offset_first_element_in_bytes The offset of the first element in the source matrix
2314  * @param[out] dst_ptr                            Pointer to the destination matrix Supported data types: same as @p src0_ptr
2315  * @param[in]  dst_stride_x                       Stride of the destination matrix in X dimension (in bytes)
2316  * @param[in]  dst_step_x                         dst_gx_stride_x * number of elements along X processed per workitem(in bytes)
2317  * @param[in]  dst_stride_y                       Stride of the destination matrix in Y dimension (in bytes)
2318  * @param[in]  dst_step_y                         dst_gx_stride_y * number of elements along Y processed per workitem(in bytes)
2319  * @param[in]  dst_offset_first_element_in_bytes  The offset of the first element in the destination matrix
2320  */
2321 __kernel void gemm_mm_qs16(IMAGE_DECLARATION(src0),
2322                            IMAGE_DECLARATION(src1),
2323                            IMAGE_DECLARATION(dst),
2324                            uint src0_stride_z,
2325                            uint src1_stride_z,
2326                            uint dst_stride_z)
2327 {
2328     int idx = get_global_id(0) * NUM_ELEMS_PROCESSED_PER_THREAD_X;
2329
2330     // Compute starting address for matrix A and Matrix B
2331     int2 src_addr = ((int2)(src0_offset_first_element_in_bytes, src1_offset_first_element_in_bytes));
2332
2333     // Update address for the matrix A
2334     src_addr.s0 += get_global_id(1) * src0_stride_y * NUM_ELEMS_PROCESSED_PER_THREAD_Y;
2335
2336     // Update address for the matrix B
2337     src_addr.s1 += idx * sizeof(short);
2338
2339     // Add offset for batched GEMM
2340     src_addr.s0 += get_global_id(2) * src0_stride_z;
2341
2342 #if defined(MATRIX_B_DEPTH)
2343     // Do not slide matrix B if the matrix B has 3 dimensions and matrix A more than 3
2344     src_addr.s1 += (get_global_id(2) % MATRIX_B_DEPTH) * src1_stride_z;
2345 #else  // defined(MATRIX_B_DEPTH)
2346     src_addr.s1 += get_global_id(2) * src1_stride_z;
2347 #endif // defined(MATRIX_B_DEPTH)
2348
2349     int end_row_vec_a = src_addr.s0 + (COLS_A * sizeof(short));
2350
2351     int8 acc0 = 0;
2352 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2353     int8 acc1 = 0;
2354 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2355 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2356     int8 acc2 = 0;
2357 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2358 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2359     int8 acc3 = 0;
2360 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2361
2362     // This for loop performs 4 accumulations per iteration
2363     for(; src_addr.s0 <= (end_row_vec_a - 2 * (int)sizeof(short)); src_addr += (int2)(2 * sizeof(short), 2 * src1_stride_y))
2364     {
2365         short2 a0 = vload2(0, (__global short *)(src0_ptr + src_addr.s0 + 0 * src0_stride_y));
2366 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2367         short2 a1 = vload2(0, (__global short *)(src0_ptr + src_addr.s0 + 1 * src0_stride_y));
2368 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2369 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2370         short2 a2 = vload2(0, (__global short *)(src0_ptr + src_addr.s0 + 2 * src0_stride_y));
2371 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2372 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2373         short2 a3 = vload2(0, (__global short *)(src0_ptr + src_addr.s0 + 3 * src0_stride_y));
2374 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2375         short8 b0 = vload8(0, (__global short *)(src1_ptr + src_addr.s1 + 0 * src1_stride_y));
2376         short8 b1 = vload8(0, (__global short *)(src1_ptr + src_addr.s1 + 1 * src1_stride_y));
2377
2378         acc0 = mlal_sat_qs16x8(acc0, (short8)a0.s0, b0, FIXED_POINT_POSITION);
2379         acc0 = mlal_sat_qs16x8(acc0, (short8)a0.s1, b1, FIXED_POINT_POSITION);
2380 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2381         acc1 = mlal_sat_qs16x8(acc1, (short8)a1.s0, b0, FIXED_POINT_POSITION);
2382         acc1 = mlal_sat_qs16x8(acc1, (short8)a1.s1, b1, FIXED_POINT_POSITION);
2383 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2384 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2385         acc2 = mlal_sat_qs16x8(acc2, (short8)a2.s0, b0, FIXED_POINT_POSITION);
2386         acc2 = mlal_sat_qs16x8(acc2, (short8)a2.s1, b1, FIXED_POINT_POSITION);
2387 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2388 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2389         acc3 = mlal_sat_qs16x8(acc3, (short8)a3.s0, b0, FIXED_POINT_POSITION);
2390         acc3 = mlal_sat_qs16x8(acc3, (short8)a3.s1, b1, FIXED_POINT_POSITION);
2391 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2392     }
2393
2394     // Left-over accumulations
2395     for(; src_addr.s0 < end_row_vec_a; src_addr += (int2)(sizeof(short), src1_stride_y))
2396     {
2397         short a0 = *((__global short *)(src0_ptr + src_addr.s0 + 0 * src0_stride_y));
2398 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2399         short a1 = *((__global short *)(src0_ptr + src_addr.s0 + 1 * src0_stride_y));
2400 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2401 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2402         short a2 = *((__global short *)(src0_ptr + src_addr.s0 + 2 * src0_stride_y));
2403 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2404 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2405         short a3 = *((__global short *)(src0_ptr + src_addr.s0 + 3 * src0_stride_y));
2406 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2407         short8 b0 = vload8(0, (__global short *)(src1_ptr + src_addr.s1));
2408
2409         acc0 = mlal_sat_qs16x8(acc0, (short8)a0, b0, FIXED_POINT_POSITION);
2410 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2411         acc1 = mlal_sat_qs16x8(acc1, (short8)a1, b0, FIXED_POINT_POSITION);
2412 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2413 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2414         acc2 = mlal_sat_qs16x8(acc2, (short8)a2, b0, FIXED_POINT_POSITION);
2415 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2416 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2417         acc3 = mlal_sat_qs16x8(acc3, (short8)a3, b0, FIXED_POINT_POSITION);
2418 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2419     }
2420
2421     // Compute destination address
2422     Image dst = CONVERT_TO_IMAGE_STRUCT(dst);
2423
2424     // Compute dst address
2425     __global uchar *dst_addr = offset(&dst, 0, 0);
2426
2427     // Add offset for batched GEMM
2428     dst_addr += get_global_id(2) * dst_stride_z;
2429
2430     // Multiply by the weight of matrix product and store the result
2431     short8 acc_qs16;
2432     acc_qs16 = convert_short8_sat(acc0);
2433 #if defined(ALPHA)
2434     acc_qs16 = mul_sat_qs16x8(acc_qs16, (short8)ALPHA, FIXED_POINT_POSITION);
2435 #endif // defined(ALPHA)
2436     vstore8(acc_qs16, 0, (__global short *)(dst_addr + 0 * dst_stride_y));
2437 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2438     acc_qs16 = convert_short8_sat(acc1);
2439 #if defined(ALPHA)
2440     acc_qs16 = mul_sat_qs16x8(acc_qs16, (short8)ALPHA, FIXED_POINT_POSITION);
2441 #endif // defined(ALPHA)
2442     vstore8(acc_qs16, 0, (__global short *)(dst_addr + 1 * dst_stride_y));
2443 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 1
2444 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2445     acc_qs16 = convert_short8_sat(acc2);
2446 #if defined(ALPHA)
2447     acc_qs16 = mul_sat_qs16x8(acc_qs16, (short8)ALPHA, FIXED_POINT_POSITION);
2448 #endif // defined(ALPHA)
2449     vstore8(acc_qs16, 0, (__global short *)(dst_addr + 2 * dst_stride_y));
2450 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 2
2451 #if NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2452     acc_qs16 = convert_short8_sat(acc3);
2453 #if defined(ALPHA)
2454     acc_qs16 = mul_sat_qs16x8(acc_qs16, (short8)ALPHA, FIXED_POINT_POSITION);
2455 #endif // defined(ALPHA)
2456     vstore8(acc_qs16, 0, (__global short *)(dst_addr + 3 * dst_stride_y));
2457 #endif // NUM_ELEMS_PROCESSED_PER_THREAD_Y > 3
2458 }
2459 #endif // defined(FIXED_POINT_POSITION)
2460 #endif // defined(COLS_A) && defined(NUM_ELEMS_PROCESSED_PER_THREAD_X) && (NUM_ELEMS_PROCESSED_PER_THREAD_Y)
2461
2462 #if defined(BETA)
2463 /** This OpenCL kernel performs the in-place matrix addition between 2 matrices taking into account that the second matrix might be weighted by a scalar value beta:
2464  *
2465  * @note The beta's value need to be passed at compile time using -DBETA
2466  *
2467  * @param[in]  src_ptr                           Pointer to the source matrix. Supported data types: F32
2468  * @param[in]  src_stride_x                      Stride of the source matrix in X dimension (in bytes)
2469  * @param[in]  src_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
2470  * @param[in]  src_stride_y                      Stride of the source matrix in Y dimension (in bytes)
2471  * @param[in]  src_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
2472  * @param[in]  src_offset_first_element_in_bytes The offset of the first element in the source matrix
2473  * @param[out] dst_ptr                           Pointer to the destination matrix Supported data types: same as @p src_ptr
2474  * @param[in]  dst_stride_x                      Stride of the destination matrix in X dimension (in bytes)
2475  * @param[in]  dst_step_x                        dst_gx_stride_x * number of elements along X processed per workitem(in bytes)
2476  * @param[in]  dst_stride_y                      Stride of the destination matrix in Y dimension (in bytes)
2477  * @param[in]  dst_step_y                        dst_gx_stride_y * number of elements along Y processed per workitem(in bytes)
2478  * @param[in]  dst_offset_first_element_in_bytes The offset of the first element in the destination matrix
2479  */
2480 __kernel void gemm_ma_f32(IMAGE_DECLARATION(src),
2481                           IMAGE_DECLARATION(dst))
2482 {
2483     // Compute source and destination addresses
2484     Image src = CONVERT_TO_IMAGE_STRUCT(src);
2485     Image dst = CONVERT_TO_IMAGE_STRUCT(dst);
2486
2487     // Load values from A x B
2488     float4 alpha_ab = vload4(0, (__global float *)dst.ptr);
2489
2490     // Load values from Matrix C
2491     float4 c = vload4(0, (__global float *)src.ptr);
2492
2493     // Computes alpha * axb + beta * c
2494     float4 out = alpha_ab + (float4)BETA * c;
2495
2496     // Store final result in axb matrix
2497     vstore4(out, 0, (__global float *)dst.ptr);
2498 }
2499
2500 /** This OpenCL kernel performs the in-place matrix addition between 2 matrices taking into account that the second matrix might be weighted by a scalar value beta:
2501  *
2502  * @note The beta's value need to be passed at compile time using -DBETA
2503  *
2504  * @param[in]  src_ptr                           Pointer to the source matrix. Supported data types: F16
2505  * @param[in]  src_stride_x                      Stride of the source matrix in X dimension (in bytes)
2506  * @param[in]  src_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
2507  * @param[in]  src_stride_y                      Stride of the source matrix in Y dimension (in bytes)
2508  * @param[in]  src_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
2509  * @param[in]  src_offset_first_element_in_bytes The offset of the first element in the source matrix
2510  * @param[out] dst_ptr                           Pointer to the destination matrix Supported data types: same as @p src_ptr
2511  * @param[in]  dst_stride_x                      Stride of the destination matrix in X dimension (in bytes)
2512  * @param[in]  dst_step_x                        dst_gx_stride_x * number of elements along X processed per workitem(in bytes)
2513  * @param[in]  dst_stride_y                      Stride of the destination matrix in Y dimension (in bytes)
2514  * @param[in]  dst_step_y                        dst_gx_stride_y * number of elements along Y processed per workitem(in bytes)
2515  * @param[in]  dst_offset_first_element_in_bytes The offset of the first element in the destination matrix
2516  */
2517 __kernel void gemm_ma_f16(IMAGE_DECLARATION(src),
2518                           IMAGE_DECLARATION(dst))
2519 {
2520     // Compute source and destination addresses
2521     Image src = CONVERT_TO_IMAGE_STRUCT(src);
2522     Image dst = CONVERT_TO_IMAGE_STRUCT(dst);
2523
2524     // Load values from A x B
2525     half8 alpha_ab = vload8(0, (__global half *)dst.ptr);
2526
2527     // Load values from Matrix C
2528     half8 c = vload8(0, (__global half *)src.ptr);
2529
2530     // Computes alpha * axb + beta * c
2531     half8 out = alpha_ab + (half8)BETA * c;
2532
2533     // Store final result in axb matrix
2534     vstore8(out, 0, (__global half *)dst.ptr);
2535 }
2536
2537 #if defined(FIXED_POINT_POSITION)
2538 /** This OpenCL kernel performs the in-place matrix addition between 2 matrices in 8 bit fixed point taking into account that the second matrix might be weighted by a scalar value beta:
2539  *
2540  * @note The beta's value and the fixed point position need to be passed at compile time using -DBETA and -DFIXED_POINT_POSITION
2541  *
2542  * @note: BETA must be passed in 8 bit fixed point format
2543  *
2544  * @param[in]  src_ptr                           Pointer to the source matrix. Supported data types: QS8
2545  * @param[in]  src_stride_x                      Stride of the source matrix in X dimension (in bytes)
2546  * @param[in]  src_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
2547  * @param[in]  src_stride_y                      Stride of the source matrix in Y dimension (in bytes)
2548  * @param[in]  src_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
2549  * @param[in]  src_offset_first_element_in_bytes The offset of the first element in the source matrix
2550  * @param[out] dst_ptr                           Pointer to the destination matrix Supported data types: same as @p src_ptr
2551  * @param[in]  dst_stride_x                      Stride of the destination matrix in X dimension (in bytes)
2552  * @param[in]  dst_step_x                        dst_gx_stride_x * number of elements along X processed per workitem(in bytes)
2553  * @param[in]  dst_stride_y                      Stride of the destination matrix in Y dimension (in bytes)
2554  * @param[in]  dst_step_y                        dst_gx_stride_y * number of elements along Y processed per workitem(in bytes)
2555  * @param[in]  dst_offset_first_element_in_bytes The offset of the first element in the destination matrix
2556  */
2557 __kernel void gemm_ma_qs8(IMAGE_DECLARATION(src),
2558                           IMAGE_DECLARATION(dst))
2559 {
2560     // Compute source and destination addresses
2561     Image src = CONVERT_TO_IMAGE_STRUCT(src);
2562     Image dst = CONVERT_TO_IMAGE_STRUCT(dst);
2563
2564     // Load values from A x B
2565     char16 alpha_ab = vload16(0, (__global char *)dst.ptr);
2566
2567     // Load values from Matrix C
2568     char16 c = vload16(0, (__global char *)src.ptr);
2569
2570     // Computes alpha * axb + beta * c
2571     char16 out = mla_sat_qs8x16(alpha_ab, (char16)BETA, c, FIXED_POINT_POSITION);
2572
2573     // Store final result in axb matrix
2574     vstore16(out, 0, (__global char *)dst.ptr);
2575 }
2576
2577 /** This OpenCL kernel performs the in-place matrix addition between 2 matrices in 16 bit fixed point taking into account that the second matrix might be weighted by a scalar value beta:
2578  *
2579  * @note The beta's value and the fixed point position need to be passed at compile time using -DBETA and -DFIXED_POINT_POSITION
2580  *
2581  * @note: BETA must be passed in 16 bit fixed point format
2582  *
2583  * @param[in]  src_ptr                           Pointer to the source matrix. Supported data types: QS16
2584  * @param[in]  src_stride_x                      Stride of the source matrix in X dimension (in bytes)
2585  * @param[in]  src_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
2586  * @param[in]  src_stride_y                      Stride of the source matrix in Y dimension (in bytes)
2587  * @param[in]  src_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
2588  * @param[in]  src_offset_first_element_in_bytes The offset of the first element in the source matrix
2589  * @param[out] dst_ptr                           Pointer to the destination matrix Supported data types: same as @p src_ptr
2590  * @param[in]  dst_stride_x                      Stride of the destination matrix in X dimension (in bytes)
2591  * @param[in]  dst_step_x                        dst_gx_stride_x * number of elements along X processed per workitem(in bytes)
2592  * @param[in]  dst_stride_y                      Stride of the destination matrix in Y dimension (in bytes)
2593  * @param[in]  dst_step_y                        dst_gx_stride_y * number of elements along Y processed per workitem(in bytes)
2594  * @param[in]  dst_offset_first_element_in_bytes The offset of the first element in the destination matrix
2595  */
2596 __kernel void gemm_ma_qs16(IMAGE_DECLARATION(src),
2597                            IMAGE_DECLARATION(dst))
2598 {
2599     // Compute source and destination addresses
2600     Image src = CONVERT_TO_IMAGE_STRUCT(src);
2601     Image dst = CONVERT_TO_IMAGE_STRUCT(dst);
2602
2603     // Load values from A x B
2604     short8 alpha_ab = vload8(0, (__global short *)dst.ptr);
2605
2606     // Load values from Matrix C
2607     short8 c = vload8(0, (__global short *)src.ptr);
2608
2609     // Computes alpha * axb + beta * c
2610     short8 out = mla_sat_qs16x8(alpha_ab, (short8)BETA, c, FIXED_POINT_POSITION);
2611
2612     // Store final result in axb matrix
2613     vstore8(out, 0, (__global short *)dst.ptr);
2614 }
2615 #endif // defined(FIXED_POINT_POSITION)
2616 #endif // defined(BETA)
2617
2618 #if defined(WIDTH_VECTOR_A)
2619 /** This OpenCL kernel computes the vector by matrix multiplication between each row of A (src0) and matrix B (src1) used for locally connected layer
2620  *
2621  * @note The width of A need to be passed at compile time using -DWIDTH_VECTOR_A
2622  *
2623  * @note The input A and matrix B must not be reshaped
2624  *
2625  * @param[in]  src0_ptr                           Pointer to the source matrix. Supported data types: F32
2626  * @param[in]  src0_stride_x                      Stride of the source matrix in X dimension (in bytes)
2627  * @param[in]  src0_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
2628  * @param[in]  src0_stride_y                      Stride of the source matrix in Y dimension (in bytes)
2629  * @param[in]  src0_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
2630  * @param[in]  src0_offset_first_element_in_bytes The offset of the first element in the source matrix
2631  * @param[in]  src1_ptr                           Pointer to the source matrix. Supported data types: same as @p src0_ptr
2632  * @param[in]  src1_stride_x                      Stride of the source matrix in X dimension (in bytes)
2633  * @param[in]  src1_step_x                        src_stride_x * number of elements along X processed per workitem(in bytes)
2634  * @param[in]  src1_stride_y                      Stride of the source matrix in Y dimension (in bytes)
2635  * @param[in]  src1_step_y                        src_stride_y * number of elements along Y processed per workitem(in bytes)
2636  * @param[in]  src1_stride_z                      Stride of the source matrix in Z dimension (in bytes)
2637  * @param[in]  src1_step_z                        src_stride_z * number of elements along Z processed per workitem(in bytes)
2638  * @param[in]  src1_offset_first_element_in_bytes The offset of the first element in the source matrix
2639  * @param[out] dst_ptr                            Pointer to the destination matrix Supported data types: same as @p src0_ptr
2640  * @param[in]  dst_stride_x                       Stride of the destination matrix in X dimension (in bytes)
2641  * @param[in]  dst_step_x                         dst_gx_stride_x * number of elements along X processed per workitem(in bytes)
2642  * @param[in]  dst_stride_y                       Stride of the destination matrix in Y dimension (in bytes)
2643  * @param[in]  dst_step_y                         dst_gx_stride_y * number of elements along Y processed per workitem(in bytes)
2644  * @param[in]  dst_offset_first_element_in_bytes  The offset of the first element in the destination matrix
2645  */
2646 __kernel void gemm_lc_vm_f32(IMAGE_DECLARATION(src0),
2647                              TENSOR3D_DECLARATION(src1),
2648                              IMAGE_DECLARATION(dst))
2649 {
2650     int idx = get_global_id(0) * 4;
2651     int idy = get_global_id(1);
2652
2653     // Compute the address for the vector A and matrix B
2654     int2 src_addr = ((int2)(src0_offset_first_element_in_bytes + src0_stride_y * idy, src1_offset_first_element_in_bytes + src1_stride_z * idy));
2655     src_addr.s1 += idx * sizeof(float);
2656
2657     int end_row_vec_a = src_addr.s0 + (WIDTH_VECTOR_A * sizeof(float));
2658
2659     float4 acc = 0.0f;
2660
2661     for(; src_addr.s0 <= (end_row_vec_a - 2 * (int)sizeof(float)); src_addr += (int2)(2 * sizeof(float), 2 * src1_stride_y))
2662     {
2663         float2 a0 = vload2(0, (__global float *)(src0_ptr + src_addr.s0));
2664         float4 b0 = vload4(0, (__global float *)(src1_ptr + src_addr.s1));
2665         float4 b1 = vload4(0, (__global float *)(src1_ptr + src_addr.s1 + src1_stride_y));
2666
2667         acc += b0 * (float4)a0.s0;
2668         acc += b1 * (float4)a0.s1;
2669     }
2670
2671     for(; src_addr.s0 < end_row_vec_a; src_addr += (int2)(sizeof(float), src1_stride_y))
2672     {
2673         float  a0 = *((__global float *)(src0_ptr + src_addr.s0));
2674         float4 b0 = vload4(0, (__global float *)(src1_ptr + src_addr.s1));
2675
2676         acc += b0 * (float4)a0;
2677     }
2678
2679     // Compute destination address
2680     Image dst = CONVERT_TO_IMAGE_STRUCT(dst);
2681
2682     vstore4(acc, 0, (__global float *)(offset(&dst, 0, 0)));
2683 }
2684 #endif // defined(WIDTH_VECTOR_A)
2685
2686 /** This kernel accumulates each row with the biases vector.
2687  *
2688  * @note The data type must be passed at compile time using -DDATA_TYPE e.g. -DDATA_TYPE=short.
2689  * @note The vector size must be passed at compile time using -DVECTOR_SIZE e.g. -DVECTOR_SIZE=16.
2690  *
2691  * @param[in, out] accum_ptr                            Pointer to the accumulate tensor. Supported data type: U8/S8/QS8/U16/S16/F16/U32/S32/F32
2692  * @param[in]      accum_stride_x                       Stride of the accmulate tensor in X dimension (in bytes)
2693  * @param[in]      accum_step_x                         accum_stride_x * number of elements along X processed per workitem(in bytes)
2694  * @param[in]      accum_stride_y                       Stride of the accumlulate tensor in Y dimension (in bytes)
2695  * @param[in]      accum_step_y                         src_stride_y * number of elements along Y processed per workitem(in bytes)
2696  * @param[in]      accum_offset_first_element_in_bytes  The offset of the first element in the accumulate tensor
2697  * @param[in]      biases_ptr                           Pointer to the biases vector. Same as @p accum_ptr
2698  * @param[in]      biases_stride_x                      Stride of the destination tensor in X dimension (in bytes)
2699  * @param[in]      biases_step_x                        dst_stride_x * number of elements along X processed per workitem(in bytes)
2700  * @param[in]      biases_offset_first_element_in_bytes The offset of the first element in the destination tensor
2701  */
2702 #if defined(DATA_TYPE) && defined(VECTOR_SIZE)
2703 __kernel void gemm_accumulate_biases(
2704     IMAGE_DECLARATION(accum),
2705     VECTOR_DECLARATION(biases))
2706 {
2707     Image  accum  = CONVERT_TO_IMAGE_STRUCT(accum);
2708     Vector biases = CONVERT_TO_VECTOR_STRUCT(biases);
2709
2710     // Vector size, i.e. number of vector elements.
2711     VEC_DATA_TYPE(DATA_TYPE, VECTOR_SIZE)
2712     accum_value = VLOAD(VECTOR_SIZE)(0, (__global DATA_TYPE *)accum.ptr);
2713     VEC_DATA_TYPE(DATA_TYPE, VECTOR_SIZE)
2714     biases_value = VLOAD(VECTOR_SIZE)(0, (__global DATA_TYPE *)biases.ptr);
2715 #ifdef FIXED_POINT_POSITION
2716     accum_value = ADD_SAT_OP_EXPAND(biases_value, accum_value, DATA_TYPE, VECTOR_SIZE);
2717 #else  // FIXED_POINT_POSITION
2718     accum_value = biases_value + accum_value;
2719 #endif // FIXED_POINT_POSITION
2720     // Store result in the accumulate buffer
2721     VSTORE(VECTOR_SIZE)
2722     (accum_value, 0, (__global DATA_TYPE *)accum.ptr);
2723 }
2724 #endif // defined(DATA_TYPE) && defined(VECTOR_SIZE)