Merge remote branch 'origin/develop' into haswell
authorwernsaar <wernsaar@googlemail.com>
Sun, 1 Dec 2013 12:38:11 +0000 (13:38 +0100)
committerwernsaar <wernsaar@googlemail.com>
Sun, 1 Dec 2013 12:38:11 +0000 (13:38 +0100)
34 files changed:
Makefile.system
cpuid.h
cpuid_x86.c
driver/level3/level3.c
driver/level3/level3_thread.c
driver/others/dynamic.c
getarch.c
kernel/x86/KERNEL.HASWELL [new file with mode: 0644]
kernel/x86/trsm_kernel_LN_2x4_penryn.S
kernel/x86/trsm_kernel_LN_4x4_penryn.S
kernel/x86/trsm_kernel_LT_2x4_penryn.S
kernel/x86/trsm_kernel_LT_4x4_penryn.S
kernel/x86/trsm_kernel_RT_2x4_penryn.S
kernel/x86/trsm_kernel_RT_4x4_penryn.S
kernel/x86/ztrsm_kernel_LN_2x2_penryn.S
kernel/x86/ztrsm_kernel_LT_1x2_penryn.S
kernel/x86/ztrsm_kernel_LT_2x2_penryn.S
kernel/x86/ztrsm_kernel_RT_1x2_penryn.S
kernel/x86/ztrsm_kernel_RT_2x2_penryn.S
kernel/x86_64/KERNEL.HASWELL [new file with mode: 0644]
kernel/x86_64/cgemm_kernel_8x2_haswell.S [new file with mode: 0644]
kernel/x86_64/dgemm_kernel_16x2_haswell.S [new file with mode: 0644]
kernel/x86_64/dgemm_kernel_4x4_haswell.S [new file with mode: 0644]
kernel/x86_64/sgemm_kernel_16x4_haswell.S [new file with mode: 0644]
kernel/x86_64/symv_L_sse.S
kernel/x86_64/symv_L_sse2.S
kernel/x86_64/symv_U_sse.S
kernel/x86_64/symv_U_sse2.S
kernel/x86_64/zgemm_kernel_4x2_haswell.S [new file with mode: 0644]
kernel/x86_64/zsymv_L_sse.S
kernel/x86_64/zsymv_L_sse2.S
kernel/x86_64/zsymv_U_sse.S
kernel/x86_64/zsymv_U_sse2.S
param.h

index 7da074a..1176928 100644 (file)
@@ -336,14 +336,14 @@ ifeq ($(ARCH), x86)
 DYNAMIC_CORE = KATMAI COPPERMINE NORTHWOOD PRESCOTT BANIAS \
               CORE2 PENRYN DUNNINGTON NEHALEM ATHLON OPTERON OPTERON_SSE3 BARCELONA BOBCAT ATOM NANO
 ifneq ($(NO_AVX), 1)
-DYNAMIC_CORE += SANDYBRIDGE BULLDOZER PILEDRIVER
+DYNAMIC_CORE += SANDYBRIDGE BULLDOZER PILEDRIVER HASWELL
 endif
 endif
 
 ifeq ($(ARCH), x86_64)
 DYNAMIC_CORE = PRESCOTT CORE2 PENRYN DUNNINGTON NEHALEM OPTERON OPTERON_SSE3 BARCELONA BOBCAT ATOM NANO
 ifneq ($(NO_AVX), 1)
-DYNAMIC_CORE += SANDYBRIDGE BULLDOZER PILEDRIVER
+DYNAMIC_CORE += SANDYBRIDGE BULLDOZER PILEDRIVER HASWELL
 endif
 endif
 
diff --git a/cpuid.h b/cpuid.h
index 2cbbd45..cb4404c 100644 (file)
--- a/cpuid.h
+++ b/cpuid.h
 #define CORE_BOBCAT     21
 #define CORE_BULLDOZER  22
 #define CORE_PILEDRIVER  23
-#define CORE_HASWELL CORE_SANDYBRIDGE
+#define CORE_HASWELL 24
 
 #define HAVE_SSE      (1 <<  0)
 #define HAVE_SSE2     (1 <<  1)
@@ -200,7 +200,6 @@ typedef struct {
 #define CPUTYPE_BOBCAT                  45
 #define CPUTYPE_BULLDOZER               46
 #define CPUTYPE_PILEDRIVER              47
-// this define is because BLAS doesn't have haswell specific optimizations yet
-#define CPUTYPE_HASWELL CPUTYPE_SANDYBRIDGE 
+#define CPUTYPE_HASWELL 48
 
 #endif
index 9e850a2..4ed01b8 100644 (file)
@@ -1243,6 +1243,7 @@ static char *cpuname[] = {
   "BOBCAT",
   "BULLDOZER",
   "PILEDRIVER",
+  "HASWELL",
 };
 
 static char *lowercpuname[] = {
@@ -1293,6 +1294,7 @@ static char *lowercpuname[] = {
   "bobcat",
   "bulldozer",
   "piledriver",
+  "haswell",
 };
 
 static char *corename[] = {
@@ -1320,6 +1322,7 @@ static char *corename[] = {
   "BOBCAT",
   "BULLDOZER",
   "PILEDRIVER",
+  "HASWELL",
 };
 
 static char *corename_lower[] = {
@@ -1347,6 +1350,7 @@ static char *corename_lower[] = {
   "bobcat",
   "bulldozer",
   "piledriver",
+  "haswell",
 };
 
 
index 2fe8895..a440223 100644 (file)
@@ -333,14 +333,13 @@ int CNAME(blas_arg_t *args, BLASLONG *range_m, BLASLONG *range_n,
       for(jjs = js; jjs < js + min_j; jjs += min_jj){
        min_jj = min_j + js - jjs;
 
-#if defined(BULLDOZER) && defined(ARCH_X86_64) && !defined(XDOUBLE) && !defined(COMPLEX)
-        if (min_jj >= 12*GEMM_UNROLL_N) min_jj = 12*GEMM_UNROLL_N;
-        else
+#if defined(HASWELL) && defined(ARCH_X86_64) && !defined(XDOUBLE) && !defined(COMPLEX)
                 if (min_jj >= 6*GEMM_UNROLL_N) min_jj = 6*GEMM_UNROLL_N;
                 else
                         if (min_jj >= 3*GEMM_UNROLL_N) min_jj = 3*GEMM_UNROLL_N;
                         else
                                 if (min_jj > GEMM_UNROLL_N) min_jj = GEMM_UNROLL_N;
+
 #else
 
         if (min_jj > GEMM_UNROLL_N) min_jj = GEMM_UNROLL_N;
index 3242790..673afcf 100644 (file)
@@ -367,9 +367,7 @@ static int inner_thread(blas_arg_t *args, BLASLONG *range_m, BLASLONG *range_n,
       for(jjs = xxx; jjs < MIN(n_to, xxx + div_n); jjs += min_jj){
        min_jj = MIN(n_to, xxx + div_n) - jjs;
 
-#if defined(BULLDOZER) && defined(ARCH_X86_64) && !defined(XDOUBLE) && !defined(COMPLEX)
-       if (min_jj >= 12*GEMM_UNROLL_N) min_jj = 12*GEMM_UNROLL_N;
-       else
+#if defined(HASWELL) && defined(ARCH_X86_64) && !defined(XDOUBLE) && !defined(COMPLEX)
                if (min_jj >= 6*GEMM_UNROLL_N) min_jj = 6*GEMM_UNROLL_N;
                else
                        if (min_jj >= 3*GEMM_UNROLL_N) min_jj = 3*GEMM_UNROLL_N;
index 02f006d..d6a08eb 100644 (file)
@@ -65,14 +65,15 @@ extern gotoblas_t  gotoblas_BOBCAT;
 extern gotoblas_t  gotoblas_SANDYBRIDGE;
 extern gotoblas_t  gotoblas_BULLDOZER;
 extern gotoblas_t  gotoblas_PILEDRIVER;
+extern gotoblas_t  gotoblas_HASWELL;
 #else
 //Use NEHALEM kernels for sandy bridge
 #define gotoblas_SANDYBRIDGE gotoblas_NEHALEM
+#define gotoblas_HASWELL gotoblas_NEHALEM
 #define gotoblas_BULLDOZER gotoblas_BARCELONA
 #define gotoblas_PILEDRIVER gotoblas_BARCELONA
 #endif
-//Use sandy bridge kernels for haswell.
-#define gotoblas_HASWELL gotoblas_SANDYBRIDGE
+
 
 #define VENDOR_INTEL      1
 #define VENDOR_AMD        2
@@ -297,6 +298,7 @@ static char *corename[] = {
     "Bobcat",
     "Bulldozer",
     "Piledriver",
+    "Haswell",
 };
 
 char *gotoblas_corename(void) {
@@ -319,7 +321,8 @@ char *gotoblas_corename(void) {
   if (gotoblas == &gotoblas_SANDYBRIDGE)  return corename[16];
   if (gotoblas == &gotoblas_BOBCAT)       return corename[17];
   if (gotoblas == &gotoblas_BULLDOZER)    return corename[18];
-  if (gotoblas == &gotoblas_PILEDRIVER)    return corename[19];
+  if (gotoblas == &gotoblas_PILEDRIVER)   return corename[19];
+  if (gotoblas == &gotoblas_HASWELL)      return corename[20];
 
   return corename[0];
 }
index 3ffda62..274d2a8 100644 (file)
--- a/getarch.c
+++ b/getarch.c
@@ -298,6 +298,21 @@ USE OF THIS SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF SUCH DAMAGE.
 #define CORENAME  "SANDYBRIDGE"
 #endif
 
+#ifdef FORCE_HASWELL
+#define FORCE
+#define FORCE_INTEL
+#define ARCHITECTURE    "X86"
+#define SUBARCHITECTURE "HASWELL"
+#define ARCHCONFIG   "-DHASWELL " \
+                    "-DL1_DATA_SIZE=32768 -DL1_DATA_LINESIZE=64 " \
+                    "-DL2_SIZE=262144 -DL2_LINESIZE=64 " \
+                    "-DDTB_DEFAULT_ENTRIES=64 -DDTB_SIZE=4096 " \
+                    "-DHAVE_CMOV -DHAVE_MMX -DHAVE_SSE -DHAVE_SSE2 -DHAVE_SSE3 -DHAVE_SSSE3 -DHAVE_SSE4_1 -DHAVE_SSE4_2 -DHAVE_AVX " \
+                     "-DFMA3"
+#define LIBNAME   "haswell"
+#define CORENAME  "HASWELL"
+#endif
+
 #ifdef FORCE_ATOM
 #define FORCE
 #define FORCE_INTEL
diff --git a/kernel/x86/KERNEL.HASWELL b/kernel/x86/KERNEL.HASWELL
new file mode 100644 (file)
index 0000000..65b03ae
--- /dev/null
@@ -0,0 +1 @@
+include $(KERNELDIR)/KERNEL.PENRYN
index ebd1377..b620f6d 100644 (file)
@@ -62,7 +62,7 @@
 #define PREFETCHSIZE  (8 * 21 + 4)
 #endif
 
-#if defined(NEHALEM) || defined(SANDYBRIDGE)
+#if defined(NEHALEM) || defined(NEHALEM_OPTIMIZATION)
 #define PREFETCH     prefetcht0
 #define PREFETCHSIZE  (8 * 21 + 4)
 #endif
index 6fa7d41..3823aa0 100644 (file)
@@ -62,7 +62,7 @@
 #define PREFETCHSIZE  (8 * 21 + 4)
 #endif
 
-#if defined(NEHALEM) || defined(SANDYBRIDGE)
+#if defined(NEHALEM) || defined(NEHALEM_OPTIMIZATION)
 #define PREFETCH     prefetcht0
 #define PREFETCHSIZE  (8 * 21 + 4)
 #endif
index 9ce4cd8..e60444b 100644 (file)
@@ -62,7 +62,7 @@
 #define PREFETCHSIZE  (8 * 21 + 4)
 #endif
 
-#if defined(NEHALEM) || defined(SANDYBRIDGE)
+#if defined(NEHALEM) || defined(NEHALEM_OPTIMIZATION)
 #define PREFETCH     prefetcht0
 #define PREFETCHSIZE  (8 * 21 + 4)
 #endif
index a1a35a7..f19047d 100644 (file)
@@ -62,7 +62,7 @@
 #define PREFETCHSIZE  (8 * 21 + 4)
 #endif
 
-#if defined(NEHALEM) || defined(SANDYBRIDGE)
+#if defined(NEHALEM) || defined(NEHALEM_OPTIMIZATION)
 #define PREFETCH     prefetcht0
 #define PREFETCHSIZE  (8 * 21 + 4)
 #endif
index a533364..4a87539 100644 (file)
@@ -62,7 +62,7 @@
 #define PREFETCHSIZE  (8 * 21 + 4)
 #endif
 
-#if defined(NEHALEM) || defined(SANDYBRIDGE)
+#if defined(NEHALEM) || defined(NEHALEM_OPTIMIZATION)
 #define PREFETCH     prefetcht0
 #define PREFETCHSIZE  (8 * 21 + 4)
 #endif
index c3619ec..79222a0 100644 (file)
@@ -62,7 +62,7 @@
 #define PREFETCHSIZE  (8 * 21 + 4)
 #endif
 
-#if defined(NEHALEM) || defined(SANDYBRIDGE)
+#if defined(NEHALEM) || defined(NEHALEM_OPTIMIZATION)
 #define PREFETCH     prefetcht0
 #define PREFETCHSIZE  (8 * 21 + 4)
 #endif
index 53e53c3..0a646e9 100644 (file)
@@ -61,7 +61,7 @@
 #define PREFETCHSIZE 84
 #endif
 
-#if defined(NEHALEM) || defined(SANDYBRIDGE)
+#if defined(NEHALEM) || defined(NEHALEM_OPTIMIZATION)
 #define PREFETCH       prefetcht1
 #define PREFETCHSIZE 84
 #endif
index 3c056cd..58d8b4d 100644 (file)
@@ -63,7 +63,7 @@
 #define PREFETCHSIZE 84
 #endif
 
-#if defined(NEHALEM) || defined(SANDYBRIDGE)
+#if defined(NEHALEM) || defined(NEHALEM_OPTIMIZATION)
 #define PREFETCH       prefetcht1
 #define PREFETCHSIZE 84
 #endif
index 1efa1fd..1604da1 100644 (file)
@@ -61,7 +61,7 @@
 #define PREFETCHSIZE 84
 #endif
 
-#if defined(NEHALEM) || defined(SANDYBRIDGE)
+#if defined(NEHALEM) || defined(NEHALEM_OPTIMIZATION)
 #define PREFETCH       prefetcht1
 #define PREFETCHSIZE 84
 #endif
index 849afed..fce813e 100644 (file)
@@ -63,7 +63,7 @@
 #define PREFETCHSIZE 84
 #endif
 
-#if defined(NEHALEM) || defined(SANDYBRIDGE)
+#if defined(NEHALEM) || defined(NEHALEM_OPTIMIZATION)
 #define PREFETCH       prefetcht1
 #define PREFETCHSIZE 84
 #endif
index c1833ab..fda1a98 100644 (file)
@@ -61,7 +61,7 @@
 #define PREFETCHSIZE 84
 #endif
 
-#if defined(NEHALEM) || defined(SANDYBRIDGE)
+#if defined(NEHALEM) || defined(NEHALEM_OPTIMIZATION)
 #define PREFETCH       prefetcht1
 #define PREFETCHSIZE 84
 #endif
diff --git a/kernel/x86_64/KERNEL.HASWELL b/kernel/x86_64/KERNEL.HASWELL
new file mode 100644 (file)
index 0000000..4474810
--- /dev/null
@@ -0,0 +1,63 @@
+SGEMMKERNEL    =  sgemm_kernel_16x4_haswell.S
+SGEMMINCOPY    =  ../generic/gemm_ncopy_16.c
+SGEMMITCOPY    =  ../generic/gemm_tcopy_16.c
+SGEMMONCOPY    =  ../generic/gemm_ncopy_4.c
+SGEMMOTCOPY    =  ../generic/gemm_tcopy_4.c
+SGEMMINCOPYOBJ =  sgemm_incopy$(TSUFFIX).$(SUFFIX)
+SGEMMITCOPYOBJ =  sgemm_itcopy$(TSUFFIX).$(SUFFIX)
+SGEMMONCOPYOBJ =  sgemm_oncopy$(TSUFFIX).$(SUFFIX)
+SGEMMOTCOPYOBJ =  sgemm_otcopy$(TSUFFIX).$(SUFFIX)
+
+DGEMMKERNEL    =  dgemm_kernel_4x4_haswell.S
+DGEMMINCOPY    =  
+DGEMMITCOPY    =  
+DGEMMONCOPY    =  ../generic/gemm_ncopy_4.c
+DGEMMOTCOPY    =  ../generic/gemm_tcopy_4.c
+DGEMMINCOPYOBJ =  
+DGEMMITCOPYOBJ =  
+DGEMMONCOPYOBJ =  dgemm_oncopy$(TSUFFIX).$(SUFFIX)
+DGEMMOTCOPYOBJ =  dgemm_otcopy$(TSUFFIX).$(SUFFIX)
+
+CGEMMKERNEL    =  cgemm_kernel_8x2_haswell.S
+CGEMMINCOPY    =  ../generic/zgemm_ncopy_8.c
+CGEMMITCOPY    =  ../generic/zgemm_tcopy_8.c
+CGEMMONCOPY    =  ../generic/zgemm_ncopy_2.c
+CGEMMOTCOPY    =  ../generic/zgemm_tcopy_2.c
+CGEMMINCOPYOBJ =  cgemm_incopy$(TSUFFIX).$(SUFFIX)
+CGEMMITCOPYOBJ =  cgemm_itcopy$(TSUFFIX).$(SUFFIX)
+CGEMMONCOPYOBJ =  cgemm_oncopy$(TSUFFIX).$(SUFFIX)
+CGEMMOTCOPYOBJ =  cgemm_otcopy$(TSUFFIX).$(SUFFIX)
+
+ZGEMMKERNEL    =  zgemm_kernel_4x2_haswell.S
+ZGEMMINCOPY    =  ../generic/zgemm_ncopy_4.c
+ZGEMMITCOPY    =  ../generic/zgemm_tcopy_4.c
+ZGEMMONCOPY    =  ../generic/zgemm_ncopy_2.c
+ZGEMMOTCOPY    =  ../generic/zgemm_tcopy_2.c
+ZGEMMINCOPYOBJ =  zgemm_incopy$(TSUFFIX).$(SUFFIX)
+ZGEMMITCOPYOBJ =  zgemm_itcopy$(TSUFFIX).$(SUFFIX)
+ZGEMMONCOPYOBJ =  zgemm_oncopy$(TSUFFIX).$(SUFFIX)
+ZGEMMOTCOPYOBJ =  zgemm_otcopy$(TSUFFIX).$(SUFFIX)
+
+STRSMKERNEL_LN =  ../generic/trsm_kernel_LN.c
+STRSMKERNEL_LT =  ../generic/trsm_kernel_LT.c
+STRSMKERNEL_RN =  ../generic/trsm_kernel_RN.c
+STRSMKERNEL_RT =  ../generic/trsm_kernel_RT.c
+
+DTRSMKERNEL_LN = ../generic/trsm_kernel_LN.c
+DTRSMKERNEL_LT = ../generic/trsm_kernel_LT.c
+DTRSMKERNEL_RN = ../generic/trsm_kernel_RN.c
+DTRSMKERNEL_RT = ../generic/trsm_kernel_RT.c
+
+CTRSMKERNEL_LN = ../generic/trsm_kernel_LN.c
+CTRSMKERNEL_LT = ../generic/trsm_kernel_LT.c
+CTRSMKERNEL_RN = ../generic/trsm_kernel_RN.c
+CTRSMKERNEL_RT = ../generic/trsm_kernel_RT.c
+
+ZTRSMKERNEL_LN = ../generic/trsm_kernel_LN.c
+ZTRSMKERNEL_LT = ../generic/trsm_kernel_LT.c
+ZTRSMKERNEL_RN = ../generic/trsm_kernel_RN.c
+ZTRSMKERNEL_RT = ../generic/trsm_kernel_RT.c
+
+CGEMM3MKERNEL    =  zgemm3m_kernel_4x8_nehalem.S
+ZGEMM3MKERNEL    =  zgemm3m_kernel_2x8_nehalem.S
+
diff --git a/kernel/x86_64/cgemm_kernel_8x2_haswell.S b/kernel/x86_64/cgemm_kernel_8x2_haswell.S
new file mode 100644 (file)
index 0000000..e4aba23
--- /dev/null
@@ -0,0 +1,2284 @@
+/*********************************************************************************\r
+Copyright (c) 2013, The OpenBLAS Project\r
+All rights reserved.\r
+Redistribution and use in source and binary forms, with or without\r
+modification, are permitted provided that the following conditions are\r
+met:\r
+1. Redistributions of source code must retain the above copyright\r
+notice, this list of conditions and the following disclaimer.\r
+2. Redistributions in binary form must reproduce the above copyright\r
+notice, this list of conditions and the following disclaimer in\r
+the documentation and/or other materials provided with the\r
+distribution.\r
+3. Neither the name of the OpenBLAS project nor the names of\r
+its contributors may be used to endorse or promote products\r
+derived from this software without specific prior written permission.\r
+THIS SOFTWARE IS PROVIDED BY THE COPYRIGHT HOLDERS AND CONTRIBUTORS "AS IS"\r
+AND ANY EXPRESS OR IMPLIED WARRANTIES, INCLUDING, BUT NOT LIMITED TO, THE\r
+IMPLIED WARRANTIES OF MERCHANTABILITY AND FITNESS FOR A PARTICULAR PURPOSE\r
+ARE DISCLAIMED. IN NO EVENT SHALL THE OPENBLAS PROJECT OR CONTRIBUTORS BE\r
+LIABLE FOR ANY DIRECT, INDIRECT, INCIDENTAL, SPECIAL, EXEMPLARY, OR CONSEQUENTIAL\r
+DAMAGES (INCLUDING, BUT NOT LIMITED TO, PROCUREMENT OF SUBSTITUTE GOODS OR\r
+SERVICES; LOSS OF USE, DATA, OR PROFITS; OR BUSINESS INTERRUPTION) HOWEVER\r
+CAUSED AND ON ANY THEORY OF LIABILITY, WHETHER IN CONTRACT, STRICT LIABILITY,\r
+OR TORT (INCLUDING NEGLIGENCE OR OTHERWISE) ARISING IN ANY WAY OUT OF THE\r
+USE OF THIS SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF SUCH DAMAGE.\r
+**********************************************************************************/\r
+\r
+/*********************************************************************\r
+* 2013/11/13 Saar\r
+*        BLASTEST               : OK\r
+*        CTEST                  : OK\r
+*        TEST                   : OK\r
+*\r
+* 2013/10/28 Saar\r
+* Parameter:\r
+*       CGEMM_DEFAULT_UNROLL_N  2\r
+*       CGEMM_DEFAULT_UNROLL_M  8\r
+*       CGEMM_DEFAULT_P         384\r
+*       CGEMM_DEFAULT_Q         192\r
+*      A_PR1                   512\r
+*      B_PR1                   512\r
+*\r
+* Performance at 6912x6912x6912:\r
+*       1 thread:       84 GFLOPS       (SANDYBRIDGE:  60)      (MKL:   86)\r
+*       2 threads:     153 GFLOPS       (SANDYBRIDGE: 114)      (MKL:  155)\r
+*       3 threads:     224 GFLOPS       (SANDYBRIDGE: 162)      (MKL:  222)\r
+*       4 threads:     278 GFLOPS       (SANDYBRIDGE: 223)      (MKL:  279)\r
+*\r
+*\r
+*********************************************************************/\r
+\r
+\r
+\r
+#define ASSEMBLER\r
+#include "common.h"\r
\r
+#define OLD_M  %rdi\r
+#define OLD_N  %rsi\r
+#define M      %r13\r
+#define J      %r14\r
+#define OLD_K  %rdx\r
+\r
+#define A      %rcx\r
+#define B      %r8\r
+#define C      %r9\r
+#define LDC    %r10\r
+       \r
+#define I      %r11\r
+#define AO     %rdi\r
+#define BO     %rsi\r
+#define        CO1     %r15\r
+#define K      %r12\r
+#define BI     %rbp\r
+#define        SP      %rbx\r
+\r
+#define BO1    %rdi\r
+#define BO2    %r15\r
+\r
+#ifndef WINDOWS_ABI\r
+\r
+#define STACKSIZE 96\r
+\r
+#else\r
+\r
+#define STACKSIZE 320\r
+\r
+#define OLD_ALPHA_I     40 + STACKSIZE(%rsp)\r
+#define OLD_A           48 + STACKSIZE(%rsp)\r
+#define OLD_B           56 + STACKSIZE(%rsp)\r
+#define OLD_C           64 + STACKSIZE(%rsp)\r
+#define OLD_LDC         72 + STACKSIZE(%rsp)\r
+#define OLD_OFFSET      80 + STACKSIZE(%rsp)\r
+\r
+#endif\r
+\r
+#define L_BUFFER_SIZE 512*8*4\r
+#define LB2_OFFSET    512*8*2\r
+\r
+#define Ndiv6   24(%rsp)\r
+#define Nmod6   32(%rsp)\r
+#define N       40(%rsp)\r
+#define ALPHA_R  48(%rsp)\r
+#define ALPHA_I  56(%rsp)\r
+#define OFFSET   64(%rsp)\r
+#define KK       72(%rsp)\r
+#define KKK      80(%rsp)\r
+#define BUFFER1                   128(%rsp)\r
+#define BUFFER2        LB2_OFFSET+128(%rsp)\r
+\r
+#if defined(OS_WINDOWS)\r
+#if   L_BUFFER_SIZE > 16384\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 4(%rsp);\\r
+        movl    $0,  4096 * 3(%rsp);\\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 12288\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 3(%rsp);\\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 8192\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 4096\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 1(%rsp);\r
+#else\r
+#define STACK_TOUCH\r
+#endif\r
+#else\r
+#define STACK_TOUCH\r
+#endif\r
+\r
+\r
+#if defined(BULLDOZER)\r
+\r
+#if   defined(NN) || defined(NT) || defined(TN) || defined(TT)\r
+\r
+#define        VFMADDPS_R( y0,y1,y2 ) vfmaddps y0,y1,y2,y0\r
+\r
+#define VFMADDPS_I( y0,y1,y2 ) vfmaddps y0,y1,y2,y0\r
+\r
+#elif defined(RN) || defined(RT) || defined(CN) || defined(CT)\r
+\r
+#define VFMADDPS_R( y0,y1,y2 ) vfnmaddps y0,y1,y2,y0\r
+\r
+#define        VFMADDPS_I( y0,y1,y2 ) vfmaddps y0,y1,y2,y0\r
+\r
+#elif defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+#define        VFMADDPS_R( y0,y1,y2 ) vfmaddps y0,y1,y2,y0\r
+\r
+#define        VFMADDPS_I( y0,y1,y2 ) vfnmaddps y0,y1,y2,y0\r
+\r
+#else\r
+\r
+#define        VFMADDPS_R( y0,y1,y2 ) vfnmaddps y0,y1,y2,y0\r
+\r
+#define        VFMADDPS_I( y0,y1,y2 ) vfnmaddps y0,y1,y2,y0\r
+\r
+#endif\r
+\r
+#else\r
+\r
+#if   defined(NN) || defined(NT) || defined(TN) || defined(TT)\r
+\r
+#define        VFMADDPS_R( y0,y1,y2 ) vfmadd231ps y1,y2,y0\r
+\r
+#define        VFMADDPS_I( y0,y1,y2 ) vfmadd231ps y1,y2,y0\r
+\r
+#elif defined(RN) || defined(RT) || defined(CN) || defined(CT)\r
+\r
+#define        VFMADDPS_R( y0,y1,y2 ) vfnmadd231ps y1,y2,y0\r
+\r
+#define        VFMADDPS_I( y0,y1,y2 ) vfmadd231ps y1,y2,y0\r
+\r
+#elif defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+#define        VFMADDPS_R( y0,y1,y2 ) vfmadd231ps y1,y2,y0\r
+\r
+#define        VFMADDPS_I( y0,y1,y2 ) vfnmadd231ps y1,y2,y0\r
+\r
+#else\r
+\r
+#define        VFMADDPS_R( y0,y1,y2 ) vfnmadd231ps y1,y2,y0\r
+\r
+#define        VFMADDPS_I( y0,y1,y2 ) vfnmadd231ps y1,y2,y0\r
+\r
+#endif\r
+\r
+#endif\r
+\r
+\r
+#define        A_PR1   512\r
+#define        B_PR1   512\r
+\r
+/***************************************************************************************************************************/\r
+\r
+.macro KERNEL8x2_SUB\r
+\r
+        vmovups         -16 * SIZE(AO, %rax, SIZE), %ymm0\r
+        vbroadcastss         -8 * SIZE(BO, BI, SIZE), %ymm4\r
+        VFMADDPS_R(        %ymm8,%ymm4,%ymm0  )\r
+        vmovups          -8 * SIZE(AO, %rax, SIZE), %ymm1\r
+        VFMADDPS_R(        %ymm12,%ymm4,%ymm1 )\r
+        vbroadcastss         -7 * SIZE(BO, BI, SIZE), %ymm5\r
+        VFMADDPS_I(        %ymm9,%ymm5,%ymm0  )\r
+        VFMADDPS_I(        %ymm13,%ymm5,%ymm1 )\r
+        vbroadcastss         -6 * SIZE(BO, BI, SIZE), %ymm6\r
+        VFMADDPS_R(        %ymm10,%ymm6,%ymm0 )\r
+        VFMADDPS_R(        %ymm14,%ymm6,%ymm1 )\r
+        vbroadcastss         -5 * SIZE(BO, BI, SIZE), %ymm7\r
+        VFMADDPS_I(        %ymm11,%ymm7,%ymm0 )\r
+        VFMADDPS_I(        %ymm15,%ymm7,%ymm1 )\r
+        addq    $4 , BI                           \r
+        addq    $16, %rax                         \r
+.endm\r
+\r
+.macro SAVE8x2\r
+\r
+       vbroadcastss    ALPHA_R, %ymm0\r
+       vbroadcastss    ALPHA_I, %ymm1\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %ymm9 , %ymm9, %ymm9\r
+        vshufps $0xb1, %ymm11, %ymm11, %ymm11\r
+        vshufps $0xb1, %ymm13, %ymm13, %ymm13\r
+        vshufps $0xb1, %ymm15, %ymm15, %ymm15\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubps %ymm9, %ymm8 , %ymm8\r
+        vaddsubps %ymm11,%ymm10, %ymm10\r
+        vaddsubps %ymm13,%ymm12, %ymm12\r
+        vaddsubps %ymm15,%ymm14, %ymm14\r
+\r
+        vshufps $0xb1, %ymm8 , %ymm8, %ymm9\r
+        vshufps $0xb1, %ymm10, %ymm10, %ymm11\r
+        vshufps $0xb1, %ymm12, %ymm12, %ymm13\r
+        vshufps $0xb1, %ymm14, %ymm14, %ymm15\r
+\r
+#else\r
+        vaddsubps %ymm8,  %ymm9 ,%ymm9\r
+        vaddsubps %ymm10, %ymm11,%ymm11\r
+        vaddsubps %ymm12, %ymm13,%ymm13\r
+        vaddsubps %ymm14, %ymm15,%ymm15\r
+\r
+        vmovaps   %ymm9,  %ymm8\r
+        vmovaps   %ymm11, %ymm10\r
+        vmovaps   %ymm13, %ymm12\r
+        vmovaps   %ymm15, %ymm14\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %ymm9 , %ymm9, %ymm9\r
+        vshufps $0xb1, %ymm11, %ymm11, %ymm11\r
+        vshufps $0xb1, %ymm13, %ymm13, %ymm13\r
+        vshufps $0xb1, %ymm15, %ymm15, %ymm15\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulps  %ymm8 , %ymm0, %ymm8\r
+        vmulps  %ymm10, %ymm0, %ymm10\r
+        vmulps  %ymm12, %ymm0, %ymm12\r
+        vmulps  %ymm14, %ymm0, %ymm14\r
+\r
+       // multiply with ALPHA_I\r
+        vmulps  %ymm9 , %ymm1, %ymm9\r
+        vmulps  %ymm11, %ymm1, %ymm11\r
+        vmulps  %ymm13, %ymm1, %ymm13\r
+        vmulps  %ymm15, %ymm1, %ymm15\r
+\r
+       vaddsubps %ymm9, %ymm8 , %ymm8\r
+        vaddsubps %ymm11,%ymm10, %ymm10\r
+        vaddsubps %ymm13,%ymm12, %ymm12\r
+        vaddsubps %ymm15,%ymm14, %ymm14\r
+\r
+\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddps          (CO1), %ymm8 , %ymm8\r
+       vaddps  8 * SIZE(CO1), %ymm12, %ymm12\r
+\r
+       vaddps          (CO1, LDC), %ymm10, %ymm10\r
+       vaddps  8 * SIZE(CO1, LDC), %ymm14, %ymm14\r
+\r
+#endif\r
+\r
+       vmovups %ymm8 ,         (CO1)\r
+       vmovups %ymm12 , 8 * SIZE(CO1)\r
+\r
+       vmovups %ymm10 ,        (CO1, LDC)\r
+       vmovups %ymm14 , 8 * SIZE(CO1, LDC)\r
+\r
+       prefetcht0      64(CO1)\r
+       prefetcht0      64(CO1, LDC)\r
+\r
+.endm\r
+\r
+/***************************************************************************************************************************/\r
+\r
+.macro KERNEL4x2_SUB\r
+        vmovups         -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+        vbroadcastss         -8 * SIZE(BO, BI, SIZE), %xmm4\r
+        VFMADDPS_R(        %xmm8,%xmm4,%xmm0  )\r
+        vmovups         -12 * SIZE(AO, %rax, SIZE), %xmm1\r
+        VFMADDPS_R(        %xmm12,%xmm4,%xmm1 )\r
+        vbroadcastss         -7 * SIZE(BO, BI, SIZE), %xmm5\r
+        VFMADDPS_I(        %xmm9,%xmm5,%xmm0  )\r
+        VFMADDPS_I(        %xmm13,%xmm5,%xmm1 )\r
+        vbroadcastss         -6 * SIZE(BO, BI, SIZE), %xmm6\r
+        VFMADDPS_R(        %xmm10,%xmm6,%xmm0 )\r
+        VFMADDPS_R(        %xmm14,%xmm6,%xmm1 )\r
+        vbroadcastss         -5 * SIZE(BO, BI, SIZE), %xmm7\r
+        VFMADDPS_I(        %xmm11,%xmm7,%xmm0 )\r
+        VFMADDPS_I(        %xmm15,%xmm7,%xmm1 )\r
+        addq    $4, BI                           \r
+        addq    $8, %rax                         \r
+.endm\r
+\r
+.macro SAVE4x2\r
+\r
+       vbroadcastss    ALPHA_R, %xmm0\r
+       vbroadcastss    ALPHA_I, %xmm1\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm11, %xmm11, %xmm11\r
+        vshufps $0xb1, %xmm13, %xmm13, %xmm13\r
+        vshufps $0xb1, %xmm15, %xmm15, %xmm15\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm11,%xmm10, %xmm10\r
+        vaddsubps %xmm13,%xmm12, %xmm12\r
+        vaddsubps %xmm15,%xmm14, %xmm14\r
+\r
+        vshufps $0xb1, %xmm8 , %xmm8, %xmm9\r
+        vshufps $0xb1, %xmm10, %xmm10, %xmm11\r
+        vshufps $0xb1, %xmm12, %xmm12, %xmm13\r
+        vshufps $0xb1, %xmm14, %xmm14, %xmm15\r
+\r
+#else\r
+        vaddsubps %xmm8,  %xmm9 ,%xmm9\r
+        vaddsubps %xmm10, %xmm11,%xmm11\r
+        vaddsubps %xmm12, %xmm13,%xmm13\r
+        vaddsubps %xmm14, %xmm15,%xmm15\r
+\r
+        vmovaps   %xmm9,  %xmm8\r
+        vmovaps   %xmm11, %xmm10\r
+        vmovaps   %xmm13, %xmm12\r
+        vmovaps   %xmm15, %xmm14\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm11, %xmm11, %xmm11\r
+        vshufps $0xb1, %xmm13, %xmm13, %xmm13\r
+        vshufps $0xb1, %xmm15, %xmm15, %xmm15\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulps  %xmm8 , %xmm0, %xmm8\r
+        vmulps  %xmm10, %xmm0, %xmm10\r
+        vmulps  %xmm12, %xmm0, %xmm12\r
+        vmulps  %xmm14, %xmm0, %xmm14\r
+\r
+       // multiply with ALPHA_I\r
+        vmulps  %xmm9 , %xmm1, %xmm9\r
+        vmulps  %xmm11, %xmm1, %xmm11\r
+        vmulps  %xmm13, %xmm1, %xmm13\r
+        vmulps  %xmm15, %xmm1, %xmm15\r
+\r
+       vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm11,%xmm10, %xmm10\r
+        vaddsubps %xmm13,%xmm12, %xmm12\r
+        vaddsubps %xmm15,%xmm14, %xmm14\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddps          (CO1), %xmm8 , %xmm8\r
+       vaddps  4 * SIZE(CO1), %xmm12, %xmm12\r
+\r
+       vaddps          (CO1, LDC), %xmm10, %xmm10\r
+       vaddps  4 * SIZE(CO1, LDC), %xmm14, %xmm14\r
+\r
+#endif\r
+\r
+       vmovups %xmm8 ,         (CO1)\r
+       vmovups %xmm12 , 4 * SIZE(CO1)\r
+\r
+       vmovups %xmm10 ,        (CO1, LDC)\r
+       vmovups %xmm14 , 4 * SIZE(CO1, LDC)\r
+\r
+.endm\r
+\r
+/************************************************************************************************/\r
+\r
+.macro KERNEL2x2_SUB\r
+        vmovups         -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+        vbroadcastss         -8 * SIZE(BO, BI, SIZE), %xmm4\r
+        VFMADDPS_R(        %xmm8,%xmm4,%xmm0  )\r
+        vbroadcastss         -7 * SIZE(BO, BI, SIZE), %xmm5\r
+        VFMADDPS_I(        %xmm9,%xmm5,%xmm0  )\r
+        vbroadcastss         -6 * SIZE(BO, BI, SIZE), %xmm6\r
+        VFMADDPS_R(        %xmm10,%xmm6,%xmm0 )\r
+        vbroadcastss         -5 * SIZE(BO, BI, SIZE), %xmm7\r
+        VFMADDPS_I(        %xmm11,%xmm7,%xmm0 )\r
+        addq    $4, BI                           \r
+        addq    $4, %rax                         \r
+.endm\r
+\r
+.macro SAVE2x2\r
+\r
+       vbroadcastss    ALPHA_R, %xmm0\r
+       vbroadcastss    ALPHA_I, %xmm1\r
+\r
+       // swap high and low 4 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm11, %xmm11, %xmm11\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm11,%xmm10, %xmm10\r
+\r
+        vshufps $0xb1, %xmm8 , %xmm8, %xmm9\r
+        vshufps $0xb1, %xmm10, %xmm10, %xmm11\r
+\r
+#else\r
+        vaddsubps %xmm8,  %xmm9 ,%xmm9\r
+        vaddsubps %xmm10, %xmm11,%xmm11\r
+\r
+        vmovaps   %xmm9,  %xmm8\r
+        vmovaps   %xmm11, %xmm10\r
+\r
+       // swap high and low 4 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm11, %xmm11, %xmm11\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulps  %xmm8 , %xmm0, %xmm8\r
+        vmulps  %xmm10, %xmm0, %xmm10\r
+\r
+       // multiply with ALPHA_I\r
+        vmulps  %xmm9 , %xmm1, %xmm9\r
+        vmulps  %xmm11, %xmm1, %xmm11\r
+\r
+       vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm11,%xmm10, %xmm10\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddps          (CO1), %xmm8 , %xmm8\r
+\r
+       vaddps          (CO1, LDC), %xmm10, %xmm10\r
+\r
+#endif\r
+\r
+       vmovups %xmm8 ,         (CO1)\r
+\r
+       vmovups %xmm10 ,        (CO1, LDC)\r
+\r
+.endm\r
+\r
+/************************************************************************************************/\r
+\r
+.macro KERNEL1x2_SUB\r
+        vmovsd         -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+        vbroadcastss         -8 * SIZE(BO, BI, SIZE), %xmm4\r
+        VFMADDPS_R(        %xmm8,%xmm4,%xmm0  )\r
+        vbroadcastss         -7 * SIZE(BO, BI, SIZE), %xmm5\r
+        VFMADDPS_I(        %xmm9,%xmm5,%xmm0  )\r
+        vbroadcastss         -6 * SIZE(BO, BI, SIZE), %xmm6\r
+        VFMADDPS_R(        %xmm10,%xmm6,%xmm0 )\r
+        vbroadcastss         -5 * SIZE(BO, BI, SIZE), %xmm7\r
+        VFMADDPS_I(        %xmm11,%xmm7,%xmm0 )\r
+        addq    $4, BI                           \r
+        addq    $2, %rax                         \r
+.endm\r
+\r
+.macro SAVE1x2\r
+\r
+       vbroadcastss    ALPHA_R, %xmm0\r
+       vbroadcastss    ALPHA_I, %xmm1\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm11, %xmm11, %xmm11\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm11,%xmm10, %xmm10\r
+\r
+        vshufps $0xb1, %xmm8 , %xmm8, %xmm9\r
+        vshufps $0xb1, %xmm10, %xmm10, %xmm11\r
+\r
+#else\r
+        vaddsubps %xmm8,  %xmm9 ,%xmm9\r
+        vaddsubps %xmm10, %xmm11,%xmm11\r
+\r
+        vmovaps   %xmm9,  %xmm8\r
+        vmovaps   %xmm11, %xmm10\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm11, %xmm11, %xmm11\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulps  %xmm8 , %xmm0, %xmm8\r
+        vmulps  %xmm10, %xmm0, %xmm10\r
+\r
+       // multiply with ALPHA_I\r
+        vmulps  %xmm9 , %xmm1, %xmm9\r
+        vmulps  %xmm11, %xmm1, %xmm11\r
+\r
+       vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm11,%xmm10, %xmm10\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vmovsd          (CO1), %xmm14\r
+       vaddps          %xmm14, %xmm8 , %xmm8\r
+\r
+       vmovsd          (CO1, LDC), %xmm15\r
+       vaddps          %xmm15, %xmm10, %xmm10\r
+\r
+#endif\r
+\r
+       vmovsd  %xmm8 ,         (CO1)\r
+       vmovsd  %xmm10 ,        (CO1, LDC)\r
+\r
+.endm\r
+\r
+/************************************************************************************************/\r
+\r
+.macro KERNEL8x1_SUB\r
+        vmovups         -16 * SIZE(AO, %rax, SIZE), %ymm0\r
+        vmovups          -8 * SIZE(AO, %rax, SIZE), %ymm1\r
+        vbroadcastss         -4 * SIZE(BO, BI, SIZE), %ymm4\r
+        VFMADDPS_R(        %ymm8,%ymm4,%ymm0  )\r
+        VFMADDPS_R(        %ymm12,%ymm4,%ymm1 )\r
+        vbroadcastss         -3 * SIZE(BO, BI, SIZE), %ymm5\r
+        VFMADDPS_I(        %ymm9,%ymm5,%ymm0  )\r
+        VFMADDPS_I(        %ymm13,%ymm5,%ymm1 )\r
+        addq    $2 , BI                           \r
+        addq    $16, %rax                         \r
+.endm\r
+\r
+.macro SAVE8x1\r
+\r
+       vbroadcastss    ALPHA_R, %ymm0\r
+       vbroadcastss    ALPHA_I, %ymm1\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %ymm9 , %ymm9, %ymm9\r
+        vshufps $0xb1, %ymm13, %ymm13, %ymm13\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubps %ymm9, %ymm8 , %ymm8\r
+        vaddsubps %ymm13,%ymm12, %ymm12\r
+\r
+        vshufps $0xb1, %ymm8 , %ymm8, %ymm9\r
+        vshufps $0xb1, %ymm12, %ymm12, %ymm13\r
+\r
+#else\r
+        vaddsubps %ymm8,  %ymm9 ,%ymm9\r
+        vaddsubps %ymm12, %ymm13,%ymm13\r
+\r
+        vmovaps   %ymm9,  %ymm8\r
+        vmovaps   %ymm13, %ymm12\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %ymm9 , %ymm9, %ymm9\r
+        vshufps $0xb1, %ymm13, %ymm13, %ymm13\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulps  %ymm8 , %ymm0, %ymm8\r
+        vmulps  %ymm12, %ymm0, %ymm12\r
+\r
+       // multiply with ALPHA_I\r
+        vmulps  %ymm9 , %ymm1, %ymm9\r
+        vmulps  %ymm13, %ymm1, %ymm13\r
+\r
+       vaddsubps %ymm9, %ymm8 , %ymm8\r
+        vaddsubps %ymm13,%ymm12, %ymm12\r
+\r
+\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddps          (CO1), %ymm8 , %ymm8\r
+       vaddps  8 * SIZE(CO1), %ymm12, %ymm12\r
+\r
+#endif\r
+\r
+       vmovups %ymm8 ,         (CO1)\r
+       vmovups %ymm12 , 8 * SIZE(CO1)\r
+\r
+.endm\r
+\r
+\r
+/************************************************************************************************/\r
+\r
+.macro KERNEL4x1_SUB\r
+        vmovups         -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+        vbroadcastss         -4 * SIZE(BO, BI, SIZE), %xmm4\r
+        VFMADDPS_R(        %xmm8,%xmm4,%xmm0  )\r
+        vmovups         -12 * SIZE(AO, %rax, SIZE), %xmm1\r
+        VFMADDPS_R(        %xmm12,%xmm4,%xmm1 )\r
+        vbroadcastss         -3 * SIZE(BO, BI, SIZE), %xmm5\r
+        VFMADDPS_I(        %xmm9,%xmm5,%xmm0  )\r
+        VFMADDPS_I(        %xmm13,%xmm5,%xmm1 )\r
+        addq    $2, BI                           \r
+        addq    $8, %rax                         \r
+.endm\r
+\r
+.macro SAVE4x1\r
+\r
+       vbroadcastss    ALPHA_R, %xmm0\r
+       vbroadcastss    ALPHA_I, %xmm1\r
+\r
+       // swap high and low 4 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm13, %xmm13, %xmm13\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm13,%xmm12, %xmm12\r
+\r
+        vshufps $0xb1, %xmm8 , %xmm8, %xmm9\r
+        vshufps $0xb1, %xmm12, %xmm12, %xmm13\r
+\r
+#else\r
+        vaddsubps %xmm8,  %xmm9 ,%xmm9\r
+        vaddsubps %xmm12, %xmm13,%xmm13\r
+\r
+        vmovaps   %xmm9,  %xmm8\r
+        vmovaps   %xmm13, %xmm12\r
+\r
+       // swap high and low 4 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm13, %xmm13, %xmm13\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulps  %xmm8 , %xmm0, %xmm8\r
+        vmulps  %xmm12, %xmm0, %xmm12\r
+\r
+       // multiply with ALPHA_I\r
+        vmulps  %xmm9 , %xmm1, %xmm9\r
+        vmulps  %xmm13, %xmm1, %xmm13\r
+\r
+       vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm13,%xmm12, %xmm12\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddps          (CO1), %xmm8 , %xmm8\r
+       vaddps  4 * SIZE(CO1), %xmm12, %xmm12\r
+\r
+#endif\r
+\r
+       vmovups %xmm8 ,         (CO1)\r
+       vmovups %xmm12 , 4 * SIZE(CO1)\r
+\r
+.endm\r
+\r
+/************************************************************************************************/\r
+\r
+.macro KERNEL2x1_SUB\r
+        vmovups         -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+        vbroadcastss         -4 * SIZE(BO, BI, SIZE), %xmm4\r
+        VFMADDPS_R(        %xmm8,%xmm4,%xmm0  )\r
+        vbroadcastss         -3 * SIZE(BO, BI, SIZE), %xmm5\r
+        VFMADDPS_I(        %xmm9,%xmm5,%xmm0  )\r
+        addq    $2, BI                           \r
+        addq    $4, %rax                         \r
+.endm\r
+\r
+.macro SAVE2x1\r
+\r
+       vbroadcastss    ALPHA_R, %xmm0\r
+       vbroadcastss    ALPHA_I, %xmm1\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubps %xmm9, %xmm8 , %xmm8\r
+\r
+        vshufps $0xb1, %xmm8 , %xmm8, %xmm9\r
+\r
+#else\r
+        vaddsubps %xmm8,  %xmm9 ,%xmm9\r
+\r
+        vmovaps   %xmm9,  %xmm8\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulps  %xmm8 , %xmm0, %xmm8\r
+\r
+       // multiply with ALPHA_I\r
+        vmulps  %xmm9 , %xmm1, %xmm9\r
+\r
+       vaddsubps %xmm9, %xmm8 , %xmm8\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddps          (CO1), %xmm8 , %xmm8\r
+\r
+#endif\r
+\r
+       vmovups %xmm8 ,         (CO1)\r
+\r
+.endm\r
+\r
+/************************************************************************************************/\r
+\r
+.macro KERNEL1x1_SUB\r
+        vmovsd         -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+        vbroadcastss         -4 * SIZE(BO, BI, SIZE), %xmm4\r
+        VFMADDPS_R(        %xmm8,%xmm4,%xmm0 )\r
+        vbroadcastss         -3 * SIZE(BO, BI, SIZE), %xmm5\r
+        VFMADDPS_I(        %xmm9,%xmm5,%xmm0 )\r
+        addq    $2, BI                           \r
+        addq    $2, %rax                         \r
+.endm\r
+\r
+.macro SAVE1x1\r
+\r
+       vbroadcastss    ALPHA_R, %xmm0\r
+       vbroadcastss    ALPHA_I, %xmm1\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubps %xmm9, %xmm8 , %xmm8\r
+\r
+        vshufps $0xb1, %xmm8 , %xmm8, %xmm9\r
+\r
+#else\r
+        vaddsubps %xmm8,  %xmm9 ,%xmm9\r
+\r
+        vmovaps   %xmm9,  %xmm8\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulps  %xmm8 , %xmm0, %xmm8\r
+\r
+       // multiply with ALPHA_I\r
+        vmulps  %xmm9 , %xmm1, %xmm9\r
+\r
+       vaddsubps %xmm9, %xmm8 , %xmm8\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vmovsd          (CO1), %xmm14\r
+       vaddps          %xmm14, %xmm8 , %xmm8\r
+\r
+#endif\r
+\r
+       vmovsd  %xmm8 ,         (CO1)\r
+\r
+.endm\r
+\r
+/************************************************************************************************/\r
+\r
+\r
+\r
+\r
+       PROLOGUE\r
+       PROFCODE\r
+       \r
+       subq    $STACKSIZE, %rsp\r
+       movq    %rbx,   (%rsp)\r
+       movq    %rbp,  8(%rsp)\r
+       movq    %r12, 16(%rsp)\r
+       movq    %r13, 24(%rsp)\r
+       movq    %r14, 32(%rsp)\r
+       movq    %r15, 40(%rsp)\r
+\r
+       vzeroupper\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq    %rdi,    48(%rsp)\r
+       movq    %rsi,    56(%rsp)\r
+       movups  %xmm6,   64(%rsp)\r
+       movups  %xmm7,   80(%rsp)\r
+       movups  %xmm8,   96(%rsp)\r
+       movups  %xmm9,  112(%rsp)\r
+       movups  %xmm10, 128(%rsp)\r
+       movups  %xmm11, 144(%rsp)\r
+       movups  %xmm12, 160(%rsp)\r
+       movups  %xmm13, 176(%rsp)\r
+       movups  %xmm14, 192(%rsp)\r
+       movups  %xmm15, 208(%rsp)\r
+\r
+       movq    ARG1,      OLD_M\r
+       movq    ARG2,      OLD_N\r
+       movq    ARG3,      OLD_K\r
+       movq    OLD_A,     A\r
+       movq    OLD_B,     B\r
+       movq    OLD_C,     C\r
+       movq    OLD_LDC,   LDC\r
+#ifdef TRMMKERNEL\r
+       movsd   OLD_OFFSET, %xmm12\r
+#endif\r
+       vmovaps %xmm3, %xmm0\r
+\r
+#else\r
+       movq    STACKSIZE +  8(%rsp), LDC\r
+#ifdef TRMMKERNEL\r
+       movsd   STACKSIZE + 16(%rsp), %xmm12\r
+#endif\r
+\r
+#endif\r
+\r
+       movq    %rsp, SP      # save old stack\r
+        subq    $128 + L_BUFFER_SIZE, %rsp\r
+        andq    $-4096, %rsp    # align stack\r
+\r
+        STACK_TOUCH\r
+\r
+       cmpq    $0, OLD_M\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_N\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_K\r
+       je      .L999\r
+\r
+       movq    OLD_M, M\r
+       movq    OLD_N, N\r
+       movq    OLD_K, K\r
+\r
+       vmovss   %xmm0, ALPHA_R\r
+       vmovss   %xmm1, ALPHA_I\r
+\r
+       salq    $ZBASE_SHIFT, LDC\r
+\r
+       movq    N, %rax\r
+        xorq    %rdx, %rdx\r
+        movq    $2,  %rdi\r
+        divq    %rdi                    //    N / 2\r
+        movq    %rax, Ndiv6             //    N / 2\r
+        movq    %rdx, Nmod6             //    N % 2\r
+\r
+       \r
+\r
+#ifdef TRMMKERNEL\r
+       vmovsd  %xmm12, OFFSET\r
+       vmovsd  %xmm12, KK\r
+#ifndef LEFT\r
+       negq    KK\r
+#endif \r
+#endif\r
+\r
+.L2_0:\r
+\r
+       movq    Ndiv6,  J\r
+       cmpq    $0, J\r
+       je      .L1_0\r
+       ALIGN_4\r
+\r
+\r
+\r
+.L2_01:\r
+       // copy to sub buffer\r
+       movq    B, BO1\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       movq    K, %rax\r
+       ALIGN_4\r
+\r
+.L2_02b:\r
+\r
+       vmovups (BO1), %xmm0\r
+       vmovups %xmm0,       (BO)\r
+       addq    $4*SIZE,BO1\r
+       addq    $4*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L2_02b\r
+\r
+.L2_02c:\r
+\r
+       movq    BO1, B                  // next offset of B\r
+\r
+.L2_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 2), C          // c += 2 * ldc\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        movq    OFFSET, %rax\r
+        movq    %rax, KK\r
+#endif\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $16 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $3, I                   // i = (m >> 3)\r
+       je      .L2_4_10\r
+\r
+       ALIGN_4\r
+/**********************************************************************************************************/\r
+\r
+.L2_8_11:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4), BI                     //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $4, %rax                        // rax = rax *16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $8, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L2_8_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax *16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_8_12:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+\r
+       je      .L2_8_16\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+\r
+       je      .L2_8_16\r
+\r
+       jmp     .L2_8_12\r
+       ALIGN_4\r
+\r
+.L2_8_16:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_8_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax *16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_8_17:\r
+\r
+       KERNEL8x2_SUB\r
+\r
+       jl      .L2_8_17\r
+       ALIGN_4\r
+\r
+\r
+.L2_8_19:\r
+\r
+       SAVE8x2\r
+\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $4, %rax                        // rax = rax *16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $8, KK\r
+#endif\r
+\r
+       addq    $16 * SIZE, CO1         # coffset += 16\r
+       decq    I                       # i --\r
+       jg      .L2_8_11\r
+       ALIGN_4 \r
+\r
+\r
+/**********************************************************************************************************/\r
+\r
+\r
+\r
+\r
+.L2_4_10:\r
+       testq   $7, M           \r
+       jz      .L2_4_60                // to next 2 lines of N\r
+\r
+       testq   $4, M           \r
+       jz      .L2_4_20\r
+       ALIGN_4\r
+\r
+\r
+.L2_4_11:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4), BI                     //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $4, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L2_4_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_4_12:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+\r
+       je      .L2_4_16\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+\r
+       je      .L2_4_16\r
+\r
+       jmp     .L2_4_12\r
+       ALIGN_4\r
+\r
+.L2_4_16:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_4_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_4_17:\r
+\r
+       KERNEL4x2_SUB\r
+\r
+       jl      .L2_4_17\r
+       ALIGN_4\r
+\r
+\r
+.L2_4_19:\r
+\r
+       SAVE4x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $4, KK\r
+#endif\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       ALIGN_4 \r
+\r
+\r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+\r
+.L2_4_20:\r
+\r
+       testq   $2, M           \r
+       jz      .L2_4_40\r
+       ALIGN_4\r
+\r
+.L2_4_21:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4), BI                     //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $2, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L2_4_26\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_4_22:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       je      .L2_4_26\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       je      .L2_4_26\r
+\r
+       jmp     .L2_4_22\r
+       ALIGN_4\r
+\r
+.L2_4_26:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_4_29\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_4_27:\r
+\r
+       KERNEL2x2_SUB\r
+\r
+       jl      .L2_4_27\r
+       ALIGN_4\r
+\r
+\r
+.L2_4_29:\r
+\r
+       vbroadcastss    ALPHA_R, %xmm0\r
+       vbroadcastss    ALPHA_I, %xmm1\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm11, %xmm11, %xmm11\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm11,%xmm10, %xmm10\r
+\r
+        vshufps $0xb1, %xmm8 , %xmm8, %xmm9\r
+        vshufps $0xb1, %xmm10, %xmm10, %xmm11\r
+\r
+#else\r
+        vaddsubps %xmm8,  %xmm9 ,%xmm9\r
+        vaddsubps %xmm10, %xmm11,%xmm11\r
+\r
+        vmovaps   %xmm9,  %xmm8\r
+        vmovaps   %xmm11, %xmm10\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm11, %xmm11, %xmm11\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulps  %xmm8 , %xmm0, %xmm8\r
+        vmulps  %xmm10, %xmm0, %xmm10\r
+\r
+       // multiply with ALPHA_I\r
+        vmulps  %xmm9 , %xmm1, %xmm9\r
+        vmulps  %xmm11, %xmm1, %xmm11\r
+\r
+       vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm11,%xmm10, %xmm10\r
+\r
+\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddps          (CO1), %xmm8 , %xmm8\r
+\r
+       vaddps          (CO1, LDC), %xmm10, %xmm10\r
+\r
+#endif\r
+\r
+       vmovups %xmm8 ,         (CO1)\r
+\r
+       vmovups %xmm10 ,        (CO1, LDC)\r
+\r
+\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $2, KK\r
+#endif\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       decq    I                       # i --\r
+       jg      .L2_4_21\r
+       ALIGN_4 \r
+\r
+\r
+\r
+/**************************************************************************/\r
+.L2_4_40:\r
+       testq   $1, M           \r
+       jz      .L2_4_60                // to next 2 lines of N\r
+\r
+       ALIGN_4\r
+\r
+.L2_4_41:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4), BI                     //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $1, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L2_4_46\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_4_42:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       je      .L2_4_46\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       je      .L2_4_46\r
+\r
+       jmp     .L2_4_42\r
+       ALIGN_4\r
+\r
+.L2_4_46:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_4_49\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_4_47:\r
+\r
+       KERNEL1x2_SUB\r
+\r
+       jl      .L2_4_47\r
+       ALIGN_4\r
+\r
+\r
+.L2_4_49:\r
+\r
+       SAVE1x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $1, KK\r
+#endif\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       decq    I                       # i --\r
+       jg      .L2_4_41\r
+       ALIGN_4 \r
+\r
+\r
+\r
+       \r
+.L2_4_60:\r
+#if defined(TRMMKERNEL) && !defined(LEFT)\r
+        addq    $2, KK\r
+#endif\r
+\r
+       decq    J                       // j --\r
+       jg      .L2_01                  // next 2 lines of N\r
+\r
+\r
+\r
+.L1_0:\r
+\r
+/************************************************************************************************\r
+* Loop for Nmod6 % 2 > 0\r
+*************************************************************************************************/\r
+\r
+       movq    Nmod6, J                \r
+       andq    $1, J                   // j % 2\r
+       je      .L999\r
+       ALIGN_4\r
+\r
+.L1_01:\r
+       // copy to sub buffer\r
+       movq    B, BO1\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       movq    K, %rax\r
+       ALIGN_4\r
+\r
+.L1_02b:\r
+\r
+       vmovsd          (BO1), %xmm0\r
+       vmovsd  %xmm0,       (BO)\r
+       addq    $2*SIZE,BO1\r
+       addq    $2*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L1_02b\r
+\r
+.L1_02c:\r
+\r
+       movq    BO1, B                  // next offset of B\r
+\r
+.L1_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 1), C          // c += 1 * ldc\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        movq    OFFSET, %rax\r
+        movq    %rax, KK\r
+#endif\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $16 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $3, I                   // i = (m >> 3)\r
+       je      .L1_4_10\r
+\r
+       ALIGN_4\r
+\r
+/**************************************************************************************************/\r
+\r
+.L1_8_11:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,2), BI                     //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $4, %rax                        // rax = rax *16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $8, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L1_8_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax *16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_8_12:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+\r
+       je      .L1_8_16\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+\r
+       je      .L1_8_16\r
+\r
+       jmp     .L1_8_12\r
+       ALIGN_4\r
+\r
+.L1_8_16:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_8_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax *16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_8_17:\r
+\r
+       KERNEL8x1_SUB\r
+\r
+       jl      .L1_8_17\r
+       ALIGN_4\r
+\r
+\r
+.L1_8_19:\r
+\r
+       SAVE8x1\r
+\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $4, %rax                        // rax = rax *16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $8, KK\r
+#endif\r
+\r
+       addq    $16 * SIZE, CO1         # coffset += 16\r
+       decq    I                       # i --\r
+       jg      .L1_8_11\r
+       ALIGN_4 \r
+\r
+\r
+\r
+/**************************************************************************************************/\r
+.L1_4_10:\r
+\r
+       testq   $7, M           \r
+       jz      .L999\r
+\r
+       testq   $4, M           \r
+       jz      .L1_4_20\r
+\r
+\r
+.L1_4_11:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,2), BI                     //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $4, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L1_4_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_4_12:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       je      .L1_4_16\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       je      .L1_4_16\r
+\r
+       jmp     .L1_4_12\r
+       ALIGN_4\r
+\r
+.L1_4_16:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_4_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_4_17:\r
+\r
+       KERNEL4x1_SUB\r
+\r
+       jl      .L1_4_17\r
+       ALIGN_4\r
+\r
+\r
+.L1_4_19:\r
+\r
+       SAVE4x1\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $4, KK\r
+#endif\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       ALIGN_4 \r
+\r
+\r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+\r
+.L1_4_20:\r
+\r
+       testq   $2, M           \r
+       jz      .L1_4_40\r
+       ALIGN_4\r
+\r
+.L1_4_21:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,2), BI                     //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $2, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L1_4_26\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_4_22:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+       je      .L1_4_26\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+       je      .L1_4_26\r
+\r
+       jmp     .L1_4_22\r
+       ALIGN_4\r
+\r
+.L1_4_26:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_4_29\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_4_27:\r
+\r
+       KERNEL2x1_SUB\r
+\r
+       jl      .L1_4_27\r
+       ALIGN_4\r
+\r
+\r
+.L1_4_29:\r
+\r
+       SAVE2x1\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $2, KK\r
+#endif\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       ALIGN_4 \r
+\r
+\r
+\r
+/**************************************************************************/\r
+.L1_4_40:\r
+       testq   $1, M           \r
+       jz      .L999           // to next 2 lines of N\r
+\r
+       ALIGN_4\r
+\r
+.L1_4_41:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,2), BI                     //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $1, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L1_4_46\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_4_42:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       je      .L1_4_46\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       je      .L1_4_46\r
+\r
+       jmp     .L1_4_42\r
+       ALIGN_4\r
+\r
+.L1_4_46:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_4_49\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_4_47:\r
+\r
+       KERNEL1x1_SUB\r
+\r
+       jl      .L1_4_47\r
+       ALIGN_4\r
+\r
+\r
+.L1_4_49:\r
+\r
+       SAVE1x1\r
+\r
+\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $1, KK\r
+#endif\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       ALIGN_4 \r
+\r
+\r
+.L999:\r
+       movq            SP, %rsp\r
+       movq       (%rsp), %rbx\r
+       movq      8(%rsp), %rbp\r
+       movq     16(%rsp), %r12\r
+       movq     24(%rsp), %r13\r
+       movq     32(%rsp), %r14\r
+       movq     40(%rsp), %r15\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq     48(%rsp), %rdi\r
+       movq     56(%rsp), %rsi\r
+       movups   64(%rsp), %xmm6\r
+       movups   80(%rsp), %xmm7\r
+       movups   96(%rsp), %xmm8\r
+       movups  112(%rsp), %xmm9\r
+       movups  128(%rsp), %xmm10\r
+       movups  144(%rsp), %xmm11\r
+       movups  160(%rsp), %xmm12\r
+       movups  176(%rsp), %xmm13\r
+       movups  192(%rsp), %xmm14\r
+       movups  208(%rsp), %xmm15\r
+#endif\r
+\r
+       addq    $STACKSIZE, %rsp\r
+       ret\r
+\r
+       EPILOGUE\r
diff --git a/kernel/x86_64/dgemm_kernel_16x2_haswell.S b/kernel/x86_64/dgemm_kernel_16x2_haswell.S
new file mode 100644 (file)
index 0000000..2907a68
--- /dev/null
@@ -0,0 +1,5215 @@
+/*********************************************************************/\r
+/* Copyright 2009, 2010 The University of Texas at Austin.           */\r
+/* All rights reserved.                                              */\r
+/*                                                                   */\r
+/* Redistribution and use in source and binary forms, with or        */\r
+/* without modification, are permitted provided that the following   */\r
+/* conditions are met:                                               */\r
+/*                                                                   */\r
+/*   1. Redistributions of source code must retain the above         */\r
+/*      copyright notice, this list of conditions and the following  */\r
+/*      disclaimer.                                                  */\r
+/*                                                                   */\r
+/*   2. Redistributions in binary form must reproduce the above      */\r
+/*      copyright notice, this list of conditions and the following  */\r
+/*      disclaimer in the documentation and/or other materials       */\r
+/*      provided with the distribution.                              */\r
+/*                                                                   */\r
+/*    THIS  SOFTWARE IS PROVIDED  BY THE  UNIVERSITY OF  TEXAS AT    */\r
+/*    AUSTIN  ``AS IS''  AND ANY  EXPRESS OR  IMPLIED WARRANTIES,    */\r
+/*    INCLUDING, BUT  NOT LIMITED  TO, THE IMPLIED  WARRANTIES OF    */\r
+/*    MERCHANTABILITY  AND FITNESS FOR  A PARTICULAR  PURPOSE ARE    */\r
+/*    DISCLAIMED.  IN  NO EVENT SHALL THE UNIVERSITY  OF TEXAS AT    */\r
+/*    AUSTIN OR CONTRIBUTORS BE  LIABLE FOR ANY DIRECT, INDIRECT,    */\r
+/*    INCIDENTAL,  SPECIAL, EXEMPLARY,  OR  CONSEQUENTIAL DAMAGES    */\r
+/*    (INCLUDING, BUT  NOT LIMITED TO,  PROCUREMENT OF SUBSTITUTE    */\r
+/*    GOODS  OR  SERVICES; LOSS  OF  USE,  DATA,  OR PROFITS;  OR    */\r
+/*    BUSINESS INTERRUPTION) HOWEVER CAUSED  AND ON ANY THEORY OF    */\r
+/*    LIABILITY, WHETHER  IN CONTRACT, STRICT  LIABILITY, OR TORT    */\r
+/*    (INCLUDING NEGLIGENCE OR OTHERWISE)  ARISING IN ANY WAY OUT    */\r
+/*    OF  THE  USE OF  THIS  SOFTWARE,  EVEN  IF ADVISED  OF  THE    */\r
+/*    POSSIBILITY OF SUCH DAMAGE.                                    */\r
+/*                                                                   */\r
+/* The views and conclusions contained in the software and           */\r
+/* documentation are those of the authors and should not be          */\r
+/* interpreted as representing official policies, either expressed   */\r
+/* or implied, of The University of Texas at Austin.                 */\r
+/*********************************************************************/\r
+\r
+/*********************************************************************\r
+* 2013/10/20 Saar\r
+*        BLASTEST               : OK\r
+*        CTEST                  : OK\r
+*        TEST                   : OK\r
+\r
+*\r
+*\r
+* 2013/10/20 Saar\r
+* Parameter:\r
+*       DGEMM_DEFAULT_UNROLL_N  2\r
+*       DGEMM_DEFAULT_UNROLL_M  16\r
+*       DGEMM_DEFAULT_P         192\r
+*       DGEMM_DEFAULT_Q         128\r
+*      A_PR1                   512\r
+*\r
+*\r
+* Performance without prefetch of B:\r
+*       1 thread:       45.8 GFLOPS (MKL:  45)\r
+*       2 threads:      80.0 GFLOPS (MKL:  91)\r
+*       4 threads:     135.0 GFLOPS (MKL: 135)\r
+*********************************************************************/\r
+\r
+\r
+#define ASSEMBLER\r
+#include "common.h"\r
\r
+#define OLD_M  %rdi\r
+#define OLD_N  %rsi\r
+#define M      %r13\r
+#define J      %r14\r
+#define OLD_K  %rdx\r
+\r
+#define A      %rcx\r
+#define B      %r8\r
+#define C      %r9\r
+#define LDC    %r10\r
+       \r
+#define I      %r11\r
+#define AO     %rdi\r
+#define BO     %rsi\r
+#define        CO1     %r15\r
+#define K      %r12\r
+#define BI     %rbp\r
+#define        SP      %rbx\r
+\r
+#define BO1    %rdi\r
+#define BO2    %r15\r
+\r
+#ifndef WINDOWS_ABI\r
+\r
+#define STACKSIZE 96\r
+\r
+#else\r
+\r
+#define STACKSIZE 256\r
+\r
+#define OLD_A          40 + STACKSIZE(%rsp)\r
+#define OLD_B          48 + STACKSIZE(%rsp)\r
+#define OLD_C          56 + STACKSIZE(%rsp)\r
+#define OLD_LDC                64 + STACKSIZE(%rsp)\r
+#define OLD_OFFSET     72 + STACKSIZE(%rsp)\r
+\r
+#endif\r
+\r
+#define L_BUFFER_SIZE 512*8*4\r
+#define LB2_OFFSET    512*8*2\r
+\r
+#define Ndiv6   24(%rsp)\r
+#define Nmod6   32(%rsp)\r
+#define N       40(%rsp)\r
+#define ALPHA   48(%rsp)\r
+#define OFFSET  56(%rsp)\r
+#define KK      64(%rsp)\r
+#define KKK     72(%rsp)\r
+#define BUFFER1                   128(%rsp)\r
+#define BUFFER2        LB2_OFFSET+128(%rsp)\r
+\r
+#if defined(OS_WINDOWS)\r
+#if   L_BUFFER_SIZE > 16384\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 4(%rsp);\\r
+        movl    $0,  4096 * 3(%rsp);\\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 12288\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 3(%rsp);\\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 8192\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 4096\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 1(%rsp);\r
+#else\r
+#define STACK_TOUCH\r
+#endif\r
+#else\r
+#define STACK_TOUCH\r
+#endif\r
+\r
+#if defined(BULLDOZER)\r
+\r
+.macro VFMADD231PD_ y0,y1,y2\r
+       vfmaddpd \y0,\y1,\y2,\y0\r
+.endm\r
+\r
+.macro VFMADD231SD_ x0,x1,x2\r
+       vfmaddsd \x0,\x1,\x2,\x0\r
+.endm\r
+\r
+#else\r
+\r
+.macro VFMADD231PD_ y0,y1,y2\r
+       vfmadd231pd \y2,\y1,\y0\r
+.endm\r
+\r
+.macro VFMADD231SD_ x0,x1,x2\r
+       vfmadd231sd \x2,\x1,\x0\r
+.endm\r
+\r
+#endif\r
+\r
+\r
+#define        A_PR1   512\r
+#define        B_PR1   256\r
+\r
+/*******************************************************************************************\r
+* 3 lines of N\r
+*******************************************************************************************/\r
+\r
+.macro KERNEL16x3_SUBN\r
+       prefetcht0      A_PR1(AO)\r
+       vbroadcastsd    -12 * SIZE(BO), %ymm1\r
+       vmovaps         -16 * SIZE(AO), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd    -11 * SIZE(BO), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vbroadcastsd    -10 * SIZE(BO), %ymm3\r
+       VFMADD231PD_    %ymm6,%ymm3,%ymm0\r
+       vmovaps         -12 * SIZE(AO), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       prefetcht0      A_PR1+64(AO)\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+       VFMADD231PD_    %ymm9,%ymm3,%ymm0\r
+       vmovaps          -8 * SIZE(AO), %ymm0\r
+       VFMADD231PD_    %ymm10,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm11,%ymm2,%ymm0\r
+       VFMADD231PD_    %ymm12,%ymm3,%ymm0\r
+       vmovaps          -4 * SIZE(AO), %ymm0\r
+       VFMADD231PD_    %ymm13,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm14,%ymm2,%ymm0\r
+       VFMADD231PD_    %ymm15,%ymm3,%ymm0\r
+       addq    $3*SIZE , BO    \r
+       addq    $16*SIZE, AO\r
+.endm\r
+\r
+\r
+.macro KERNEL8x3_SUBN\r
+       //prefetcht0    A_PR1(AO)\r
+       vbroadcastsd    -12 * SIZE(BO), %ymm1\r
+       vmovaps         -16 * SIZE(AO), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd    -11 * SIZE(BO), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vbroadcastsd    -10 * SIZE(BO), %ymm3\r
+       VFMADD231PD_    %ymm6,%ymm3,%ymm0\r
+       vmovaps         -12 * SIZE(AO), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       //prefetcht0    A_PR1+64(AO)\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+       VFMADD231PD_    %ymm9,%ymm3,%ymm0\r
+       prefetcht0      B_PR1(BO)\r
+       addq    $3*SIZE , BO    \r
+       addq    $8*SIZE, AO\r
+.endm\r
+\r
+.macro KERNEL4x3_SUBN\r
+       vbroadcastsd    -12 * SIZE(BO), %ymm1\r
+       vmovaps         -16 * SIZE(AO), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd    -11 * SIZE(BO), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vbroadcastsd    -10 * SIZE(BO), %ymm3\r
+       VFMADD231PD_    %ymm6,%ymm3,%ymm0\r
+       addq    $3*SIZE , BO    \r
+       addq    $4*SIZE, AO\r
+.endm\r
+\r
+.macro KERNEL2x3_SUBN\r
+       vmovsd  -12 * SIZE(BO), %xmm1\r
+       vmovsd  -16 * SIZE(AO), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd  -11 * SIZE(BO), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+       vmovsd  -10 * SIZE(BO), %xmm3\r
+       VFMADD231SD_    %xmm6,%xmm3,%xmm0\r
+       vmovsd  -15 * SIZE(AO), %xmm0\r
+       VFMADD231SD_    %xmm8,%xmm1,%xmm0\r
+       VFMADD231SD_    %xmm10,%xmm2,%xmm0\r
+       VFMADD231SD_    %xmm12,%xmm3,%xmm0\r
+       addq    $3*SIZE , BO    \r
+       addq    $2*SIZE, AO\r
+.endm\r
+\r
+.macro KERNEL1x3_SUBN\r
+       vmovsd  -12 * SIZE(BO), %xmm1\r
+       vmovsd  -16 * SIZE(AO), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd  -11 * SIZE(BO), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+       vmovsd  -10 * SIZE(BO), %xmm3\r
+       VFMADD231SD_    %xmm6,%xmm3,%xmm0\r
+       addq    $3*SIZE , BO    \r
+       addq    $1*SIZE, AO\r
+.endm\r
+\r
+\r
+\r
+\r
+\r
+\r
+/******************************************************************************************/\r
+\r
+.macro KERNEL16x3_1\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       vbroadcastsd     -6 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd     -5 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vbroadcastsd     -4 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PD_    %ymm6,%ymm3,%ymm0\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       prefetcht0      64+A_PR1(AO, %rax, SIZE)\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+       VFMADD231PD_    %ymm9,%ymm3,%ymm0\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm10,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm11,%ymm2,%ymm0\r
+       VFMADD231PD_    %ymm12,%ymm3,%ymm0\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm13,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm14,%ymm2,%ymm0\r
+       vbroadcastsd     -3 * SIZE(BO, BI, SIZE), %ymm1\r
+       vbroadcastsd     -2 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm15,%ymm3,%ymm0\r
+.endm\r
+\r
+\r
+\r
+\r
+.macro KERNEL16x3_2\r
+       prefetcht0      128+A_PR1(AO, %rax, SIZE)\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vbroadcastsd     -1 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PD_    %ymm6,%ymm3,%ymm0\r
+       vmovups         -12 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+       prefetcht0      A_PR1+64(AO,%rax,SIZE)\r
+       VFMADD231PD_    %ymm9,%ymm3,%ymm0\r
+       vmovups          -8 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm10,%ymm1,%ymm0\r
+       prefetcht0      192+A_PR1(AO, %rax, SIZE)\r
+       VFMADD231PD_    %ymm11,%ymm2,%ymm0\r
+       VFMADD231PD_    %ymm12,%ymm3,%ymm0\r
+       vmovups          -4 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm13,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm14,%ymm2,%ymm0\r
+       vbroadcastsd      0 * SIZE(BO, BI, SIZE), %ymm1\r
+       vbroadcastsd      1 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm15,%ymm3,%ymm0\r
+.endm\r
+\r
+.macro KERNEL16x3_3\r
+       prefetcht0      256+A_PR1(AO, %rax, SIZE)\r
+       vmovups           0 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vbroadcastsd      2 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PD_    %ymm6,%ymm3,%ymm0\r
+       vmovups           4 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       prefetcht0      320+A_PR1(AO, %rax, SIZE)\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+       VFMADD231PD_    %ymm9,%ymm3,%ymm0\r
+       vmovups           8 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm10,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm11,%ymm2,%ymm0\r
+       VFMADD231PD_    %ymm12,%ymm3,%ymm0\r
+       vmovups          12 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm13,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm14,%ymm2,%ymm0\r
+       vbroadcastsd      3 * SIZE(BO, BI, SIZE), %ymm1\r
+       vbroadcastsd      4 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm15,%ymm3,%ymm0\r
+.endm\r
+\r
+.macro KERNEL16x3_4\r
+       prefetcht0      384+A_PR1(AO, %rax, SIZE)\r
+       vmovups          16 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vbroadcastsd      5 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PD_    %ymm6,%ymm3,%ymm0\r
+       vmovups          20 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       prefetcht0      448+A_PR1(AO, %rax, SIZE)\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+       VFMADD231PD_    %ymm9,%ymm3,%ymm0\r
+       vmovups          24 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm10,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm11,%ymm2,%ymm0\r
+       addq    $12, BI \r
+       VFMADD231PD_    %ymm12,%ymm3,%ymm0\r
+       vmovups          28 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm13,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm14,%ymm2,%ymm0\r
+       addq    $64, %rax \r
+       VFMADD231PD_    %ymm15,%ymm3,%ymm0\r
+.endm\r
+\r
+.macro KERNEL16x3_SUB\r
+       vbroadcastsd     -6 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd     -5 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vbroadcastsd     -4 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PD_    %ymm6,%ymm3,%ymm0\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+       VFMADD231PD_    %ymm9,%ymm3,%ymm0\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm10,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm11,%ymm2,%ymm0\r
+       VFMADD231PD_    %ymm12,%ymm3,%ymm0\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm13,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm14,%ymm2,%ymm0\r
+       VFMADD231PD_    %ymm15,%ymm3,%ymm0\r
+       addq    $3 , BI \r
+       addq    $16, %rax \r
+.endm\r
+\r
+.macro SAVE16x3\r
+\r
+       vbroadcastsd    ALPHA, %ymm0\r
+\r
+       vmulpd  %ymm0 , %ymm4 , %ymm4\r
+       vmulpd  %ymm0 , %ymm7 , %ymm7\r
+       vmulpd  %ymm0 , %ymm10, %ymm10\r
+       vmulpd  %ymm0 , %ymm13, %ymm13\r
+\r
+       vmulpd  %ymm0 , %ymm5 , %ymm5\r
+       vmulpd  %ymm0 , %ymm8 , %ymm8\r
+       vmulpd  %ymm0 , %ymm11, %ymm11\r
+       vmulpd  %ymm0 , %ymm14, %ymm14\r
+\r
+       vmulpd  %ymm0 , %ymm6 , %ymm6\r
+       vmulpd  %ymm0 , %ymm9 , %ymm9\r
+       vmulpd  %ymm0 , %ymm12, %ymm12\r
+       vmulpd  %ymm0 , %ymm15, %ymm15\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd          (CO1), %ymm4,%ymm4\r
+       vaddpd  4 * SIZE(CO1), %ymm7,%ymm7\r
+       vaddpd  8 * SIZE(CO1), %ymm10,%ymm10\r
+       vaddpd 12 * SIZE(CO1), %ymm13,%ymm13\r
+\r
+       vaddpd          (CO1, LDC), %ymm5,%ymm5\r
+       vaddpd  4 * SIZE(CO1, LDC), %ymm8,%ymm8\r
+       vaddpd  8 * SIZE(CO1, LDC), %ymm11,%ymm11\r
+       vaddpd 12 * SIZE(CO1, LDC), %ymm14,%ymm14\r
+\r
+       vaddpd          (CO1, LDC, 2), %ymm6,%ymm6\r
+       vaddpd  4 * SIZE(CO1, LDC, 2), %ymm9,%ymm9\r
+       vaddpd  8 * SIZE(CO1, LDC, 2), %ymm12,%ymm12\r
+       vaddpd 12 * SIZE(CO1, LDC, 2), %ymm15,%ymm15\r
+\r
+#endif\r
+\r
+       vmovups %ymm4 ,         (CO1)\r
+       vmovups %ymm7 , 4 * SIZE(CO1)\r
+       vmovups %ymm10, 8 * SIZE(CO1)\r
+       vmovups %ymm13,12 * SIZE(CO1)\r
+\r
+       vmovups %ymm5 ,         (CO1, LDC)\r
+       vmovups %ymm8 , 4 * SIZE(CO1, LDC)\r
+       vmovups %ymm11, 8 * SIZE(CO1, LDC)\r
+       vmovups %ymm14,12 * SIZE(CO1, LDC)\r
+\r
+       vmovups %ymm6 ,         (CO1, LDC, 2)\r
+       vmovups %ymm9 , 4 * SIZE(CO1, LDC, 2)\r
+       vmovups %ymm12, 8 * SIZE(CO1, LDC, 2)\r
+       vmovups %ymm15,12 * SIZE(CO1, LDC, 2)\r
+\r
+.endm\r
+\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL8x3_1\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       vbroadcastsd     -6 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd     -5 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vbroadcastsd     -4 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PD_    %ymm6,%ymm3,%ymm0\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+       VFMADD231PD_    %ymm9,%ymm3,%ymm0\r
+.endm\r
+\r
+.macro KERNEL8x3_2\r
+       prefetcht0      64+A_PR1(AO, %rax, SIZE)\r
+       vbroadcastsd     -3 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd     -2 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vbroadcastsd     -1 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PD_    %ymm6,%ymm3,%ymm0\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+       VFMADD231PD_    %ymm9,%ymm3,%ymm0\r
+.endm\r
+\r
+.macro KERNEL8x3_3\r
+       prefetcht0      128+A_PR1(AO, %rax, SIZE)\r
+       vbroadcastsd      0 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd      1 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vbroadcastsd      2 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PD_    %ymm6,%ymm3,%ymm0\r
+       vmovups         -12 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+       VFMADD231PD_    %ymm9,%ymm3,%ymm0\r
+.endm\r
+\r
+.macro KERNEL8x3_4\r
+       prefetcht0      192+A_PR1(AO, %rax, SIZE)\r
+       vbroadcastsd      3 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups          -8 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd      4 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vbroadcastsd      5 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PD_    %ymm6,%ymm3,%ymm0\r
+       vmovups          -4 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+       VFMADD231PD_    %ymm9,%ymm3,%ymm0\r
+       addq    $12, BI\r
+       addq    $32, %rax\r
+.endm\r
+\r
+.macro KERNEL8x3_SUB\r
+       vbroadcastsd     -6 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd     -5 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vbroadcastsd     -4 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PD_    %ymm6,%ymm3,%ymm0\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+       VFMADD231PD_    %ymm9,%ymm3,%ymm0\r
+       addq    $3 , BI\r
+       addq    $8 , %rax\r
+.endm\r
+\r
+.macro SAVE8x3\r
+\r
+       vbroadcastsd    ALPHA, %ymm0\r
+\r
+       vmulpd  %ymm0 , %ymm4 , %ymm4\r
+       vmulpd  %ymm0 , %ymm7 , %ymm7\r
+\r
+       vmulpd  %ymm0 , %ymm5 , %ymm5\r
+       vmulpd  %ymm0 , %ymm8 , %ymm8\r
+\r
+       vmulpd  %ymm0 , %ymm6 , %ymm6\r
+       vmulpd  %ymm0 , %ymm9 , %ymm9\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd          (CO1), %ymm4,%ymm4\r
+       vaddpd  4 * SIZE(CO1), %ymm7,%ymm7\r
+\r
+       vaddpd          (CO1, LDC), %ymm5,%ymm5\r
+       vaddpd  4 * SIZE(CO1, LDC), %ymm8,%ymm8\r
+\r
+       vaddpd          (CO1, LDC, 2), %ymm6,%ymm6\r
+       vaddpd  4 * SIZE(CO1, LDC, 2), %ymm9,%ymm9\r
+\r
+#endif\r
+\r
+       vmovups %ymm4 ,         (CO1)\r
+       vmovups %ymm7 , 4 * SIZE(CO1)\r
+\r
+       vmovups %ymm5 ,         (CO1, LDC)\r
+       vmovups %ymm8 , 4 * SIZE(CO1, LDC)\r
+\r
+       vmovups %ymm6 ,         (CO1, LDC, 2)\r
+       vmovups %ymm9 , 4 * SIZE(CO1, LDC, 2)\r
+\r
+.endm\r
+\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL4x3_1\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       vbroadcastsd     -6 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd     -5 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vbroadcastsd     -4 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PD_    %ymm6,%ymm3,%ymm0\r
+.endm\r
+\r
+.macro KERNEL4x3_2\r
+       vbroadcastsd     -3 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd     -2 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vbroadcastsd     -1 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PD_    %ymm6,%ymm3,%ymm0\r
+.endm\r
+\r
+.macro KERNEL4x3_3\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       vbroadcastsd      0 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd      1 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vbroadcastsd      2 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PD_    %ymm6,%ymm3,%ymm0\r
+.endm\r
+\r
+.macro KERNEL4x3_4\r
+       vbroadcastsd      3 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd      4 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vbroadcastsd      5 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PD_    %ymm6,%ymm3,%ymm0\r
+       addq    $12, BI\r
+       addq    $16, %rax\r
+.endm\r
+\r
+.macro KERNEL4x3_SUB\r
+       vbroadcastsd     -6 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd     -5 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vbroadcastsd     -4 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PD_    %ymm6,%ymm3,%ymm0\r
+       addq    $3 , BI\r
+       addq    $4 , %rax\r
+.endm\r
+\r
+.macro SAVE4x3\r
+\r
+       vbroadcastsd    ALPHA, %ymm0\r
+\r
+       vmulpd  %ymm0 , %ymm4 , %ymm4\r
+       vmulpd  %ymm0 , %ymm5 , %ymm5\r
+       vmulpd  %ymm0 , %ymm6 , %ymm6\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd          (CO1), %ymm4,%ymm4\r
+       vaddpd          (CO1, LDC), %ymm5,%ymm5\r
+       vaddpd          (CO1, LDC, 2), %ymm6,%ymm6\r
+\r
+#endif\r
+\r
+       vmovups %ymm4 ,         (CO1)\r
+       vmovups %ymm5 ,         (CO1, LDC)\r
+       vmovups %ymm6 ,         (CO1, LDC, 2)\r
+\r
+.endm\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL2x3_1\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       vmovsd   -6 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -32 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd   -5 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+       vmovsd   -4 * SIZE(BO, BI, SIZE), %xmm3\r
+       VFMADD231SD_    %xmm6,%xmm3,%xmm0\r
+       vmovsd  -31 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm8,%xmm1,%xmm0\r
+       VFMADD231SD_    %xmm10,%xmm2,%xmm0\r
+       VFMADD231SD_    %xmm12,%xmm3,%xmm0\r
+.endm\r
+\r
+.macro KERNEL2x3_2\r
+       vmovsd   -3 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -30 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd   -2 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+       vmovsd   -1 * SIZE(BO, BI, SIZE), %xmm3\r
+       VFMADD231SD_    %xmm6,%xmm3,%xmm0\r
+       vmovsd  -29 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm8,%xmm1,%xmm0\r
+       VFMADD231SD_    %xmm10,%xmm2,%xmm0\r
+       VFMADD231SD_    %xmm12,%xmm3,%xmm0\r
+.endm\r
+\r
+.macro KERNEL2x3_3\r
+       vmovsd    0 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -28 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd    1 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+       vmovsd    2 * SIZE(BO, BI, SIZE), %xmm3\r
+       VFMADD231SD_    %xmm6,%xmm3,%xmm0\r
+       vmovsd  -27 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm8,%xmm1,%xmm0\r
+       VFMADD231SD_    %xmm10,%xmm2,%xmm0\r
+       VFMADD231SD_    %xmm12,%xmm3,%xmm0\r
+.endm\r
+\r
+.macro KERNEL2x3_4\r
+       vmovsd    3 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -26 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd    4 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+       vmovsd    5 * SIZE(BO, BI, SIZE), %xmm3\r
+       VFMADD231SD_    %xmm6,%xmm3,%xmm0\r
+       vmovsd  -25 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm8,%xmm1,%xmm0\r
+       VFMADD231SD_    %xmm10,%xmm2,%xmm0\r
+       VFMADD231SD_    %xmm12,%xmm3,%xmm0\r
+       addq    $12, BI\r
+       addq    $8, %rax\r
+.endm\r
+\r
+.macro KERNEL2x3_SUB\r
+       vmovsd   -6 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -32 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd   -5 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+       vmovsd   -4 * SIZE(BO, BI, SIZE), %xmm3\r
+       VFMADD231SD_    %xmm6,%xmm3,%xmm0\r
+       vmovsd  -31 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm8,%xmm1,%xmm0\r
+       VFMADD231SD_    %xmm10,%xmm2,%xmm0\r
+       VFMADD231SD_    %xmm12,%xmm3,%xmm0\r
+       addq    $3 , BI\r
+       addq    $2 , %rax\r
+.endm\r
+\r
+.macro SAVE2x3\r
+\r
+       vmovsd  ALPHA, %xmm0\r
+\r
+       vmulsd  %xmm0 , %xmm4 , %xmm4\r
+       vmulsd  %xmm0 , %xmm8 , %xmm8\r
+       vmulsd  %xmm0 , %xmm5 , %xmm5\r
+       vmulsd  %xmm0 , %xmm10, %xmm10\r
+       vmulsd  %xmm0 , %xmm6 , %xmm6\r
+       vmulsd  %xmm0 , %xmm12, %xmm12\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddsd   (CO1), %xmm4,%xmm4\r
+       vaddsd 1 * SIZE(CO1), %xmm8,%xmm8\r
+       vaddsd   (CO1, LDC), %xmm5,%xmm5\r
+       vaddsd 1 * SIZE(CO1, LDC), %xmm10,%xmm10\r
+       vaddsd   (CO1, LDC, 2), %xmm6,%xmm6\r
+       vaddsd 1 * SIZE(CO1, LDC, 2), %xmm12,%xmm12\r
+\r
+#endif\r
+\r
+       vmovsd  %xmm4 ,         (CO1)\r
+       vmovsd  %xmm8 , 1 * SIZE(CO1)\r
+       vmovsd  %xmm5 ,         (CO1, LDC)\r
+       vmovsd  %xmm10, 1 * SIZE(CO1, LDC)\r
+       vmovsd  %xmm6 ,         (CO1, LDC, 2)\r
+       vmovsd  %xmm12, 1 * SIZE(CO1, LDC, 2)\r
+\r
+.endm\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL1x3_1\r
+       vmovsd   -6 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -32 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd   -5 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+       vmovsd   -4 * SIZE(BO, BI, SIZE), %xmm3\r
+       VFMADD231SD_    %xmm6,%xmm3,%xmm0\r
+.endm\r
+\r
+.macro KERNEL1x3_2\r
+       vmovsd   -3 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -31 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd   -2 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+       vmovsd   -1 * SIZE(BO, BI, SIZE), %xmm3\r
+       VFMADD231SD_    %xmm6,%xmm3,%xmm0\r
+.endm\r
+\r
+.macro KERNEL1x3_3\r
+       vmovsd    0 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -30 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd    1 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+       vmovsd    2 * SIZE(BO, BI, SIZE), %xmm3\r
+       VFMADD231SD_    %xmm6,%xmm3,%xmm0\r
+.endm\r
+\r
+.macro KERNEL1x3_4\r
+       vmovsd    3 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -29 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd    4 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+       vmovsd    5 * SIZE(BO, BI, SIZE), %xmm3\r
+       VFMADD231SD_    %xmm6,%xmm3,%xmm0\r
+       addq    $12, BI\r
+       addq    $4, %rax\r
+.endm\r
+\r
+.macro KERNEL1x3_SUB\r
+       vmovsd   -6 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -32 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd   -5 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+       vmovsd   -4 * SIZE(BO, BI, SIZE), %xmm3\r
+       VFMADD231SD_    %xmm6,%xmm3,%xmm0\r
+       addq    $3 , BI\r
+       addq    $1 , %rax\r
+.endm\r
+\r
+.macro SAVE1x3\r
+\r
+       vmovsd  ALPHA, %xmm0\r
+\r
+       vmulsd  %xmm0 , %xmm4 , %xmm4\r
+       vmulsd  %xmm0 , %xmm5 , %xmm5\r
+       vmulsd  %xmm0 , %xmm6 , %xmm6\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddsd   (CO1), %xmm4,%xmm4\r
+       vaddsd   (CO1, LDC), %xmm5,%xmm5\r
+       vaddsd   (CO1, LDC, 2), %xmm6,%xmm6\r
+\r
+#endif\r
+\r
+       vmovsd  %xmm4 ,         (CO1)\r
+       vmovsd  %xmm5 ,         (CO1, LDC)\r
+       vmovsd  %xmm6 ,         (CO1, LDC, 2)\r
+\r
+.endm\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+/*******************************************************************************************\r
+* 2 lines of N\r
+*******************************************************************************************/\r
+\r
+.macro KERNEL16x2_1\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       vbroadcastsd     -4 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd     -3 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       prefetcht0      64+A_PR1(AO, %rax, SIZE)\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm10,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm11,%ymm2,%ymm0\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm13,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm14,%ymm2,%ymm0\r
+.endm\r
+\r
+.macro KERNEL16x2_2\r
+       prefetcht0      128+A_PR1(AO, %rax, SIZE)\r
+       vbroadcastsd     -2 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd     -1 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vmovups         -12 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       prefetcht0      192+A_PR1(AO, %rax, SIZE)\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+       vmovups          -8 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm10,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm11,%ymm2,%ymm0\r
+       vmovups          -4 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm13,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm14,%ymm2,%ymm0\r
+.endm\r
+\r
+.macro KERNEL16x2_3\r
+       prefetcht0      256+A_PR1(AO, %rax, SIZE)\r
+       vbroadcastsd      0 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups           0 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd      1 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vmovups           4 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       prefetcht0      320+A_PR1(AO, %rax, SIZE)\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+       vmovups           8 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm10,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm11,%ymm2,%ymm0\r
+       vmovups          12 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm13,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm14,%ymm2,%ymm0\r
+.endm\r
+\r
+.macro KERNEL16x2_4\r
+       prefetcht0      384+A_PR1(AO, %rax, SIZE)\r
+       vbroadcastsd      2 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups          16 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd      3 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vmovups          20 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       prefetcht0      448+A_PR1(AO, %rax, SIZE)\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+       vmovups          24 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm10,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm11,%ymm2,%ymm0\r
+       vmovups          28 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm13,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm14,%ymm2,%ymm0\r
+       addq    $8, BI\r
+       addq    $64, %rax\r
+.endm\r
+\r
+.macro KERNEL16x2_SUB\r
+       vbroadcastsd     -4 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd     -3 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm10,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm11,%ymm2,%ymm0\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm13,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm14,%ymm2,%ymm0\r
+       addq    $2, BI\r
+       addq    $16, %rax\r
+.endm\r
+\r
+.macro SAVE16x2\r
+\r
+       vbroadcastsd    ALPHA, %ymm0\r
+\r
+       vmulpd  %ymm0 , %ymm4 , %ymm4\r
+       vmulpd  %ymm0 , %ymm7 , %ymm7\r
+       vmulpd  %ymm0 , %ymm10, %ymm10\r
+       vmulpd  %ymm0 , %ymm13, %ymm13\r
+\r
+       vmulpd  %ymm0 , %ymm5 , %ymm5\r
+       vmulpd  %ymm0 , %ymm8 , %ymm8\r
+       vmulpd  %ymm0 , %ymm11, %ymm11\r
+       vmulpd  %ymm0 , %ymm14, %ymm14\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd          (CO1), %ymm4,%ymm4\r
+       vaddpd  4 * SIZE(CO1), %ymm7,%ymm7\r
+       vaddpd  8 * SIZE(CO1), %ymm10,%ymm10\r
+       vaddpd 12 * SIZE(CO1), %ymm13,%ymm13\r
+\r
+       vaddpd          (CO1, LDC), %ymm5,%ymm5\r
+       vaddpd  4 * SIZE(CO1, LDC), %ymm8,%ymm8\r
+       vaddpd  8 * SIZE(CO1, LDC), %ymm11,%ymm11\r
+       vaddpd 12 * SIZE(CO1, LDC), %ymm14,%ymm14\r
+\r
+#endif\r
+\r
+       vmovups %ymm4 ,         (CO1)\r
+       vmovups %ymm7 , 4 * SIZE(CO1)\r
+       vmovups %ymm10, 8 * SIZE(CO1)\r
+       vmovups %ymm13,12 * SIZE(CO1)\r
+\r
+       vmovups %ymm5 ,         (CO1, LDC)\r
+       vmovups %ymm8 , 4 * SIZE(CO1, LDC)\r
+       vmovups %ymm11, 8 * SIZE(CO1, LDC)\r
+       vmovups %ymm14,12 * SIZE(CO1, LDC)\r
+\r
+.endm\r
+\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL8x2_1\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       vbroadcastsd     -4 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd     -3 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+.endm\r
+\r
+.macro KERNEL8x2_2\r
+       prefetcht0      64+A_PR1(AO, %rax, SIZE)\r
+       vbroadcastsd     -2 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd     -1 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+.endm\r
+\r
+.macro KERNEL8x2_3\r
+       prefetcht0      128+A_PR1(AO, %rax, SIZE)\r
+       vbroadcastsd      0 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd      1 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vmovups         -12 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+.endm\r
+\r
+.macro KERNEL8x2_4\r
+       prefetcht0      192+A_PR1(AO, %rax, SIZE)\r
+       vbroadcastsd      2 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups          -8 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd      3 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vmovups          -4 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+       addq    $8, BI                           \r
+       addq    $32, %rax                        \r
+.endm\r
+\r
+.macro KERNEL8x2_SUB\r
+       vbroadcastsd     -4 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd     -3 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       VFMADD231PD_    %ymm8,%ymm2,%ymm0\r
+       addq    $2, BI                           \r
+       addq    $8 , %rax                        \r
+.endm\r
+\r
+.macro SAVE8x2\r
+\r
+       vbroadcastsd    ALPHA, %ymm0\r
+\r
+       vmulpd  %ymm0 , %ymm4 , %ymm4\r
+       vmulpd  %ymm0 , %ymm7 , %ymm7\r
+\r
+       vmulpd  %ymm0 , %ymm5 , %ymm5\r
+       vmulpd  %ymm0 , %ymm8 , %ymm8\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd          (CO1), %ymm4,%ymm4\r
+       vaddpd  4 * SIZE(CO1), %ymm7,%ymm7\r
+\r
+       vaddpd          (CO1, LDC), %ymm5,%ymm5\r
+       vaddpd  4 * SIZE(CO1, LDC), %ymm8,%ymm8\r
+\r
+#endif\r
+\r
+       vmovups %ymm4 ,         (CO1)\r
+       vmovups %ymm7 , 4 * SIZE(CO1)\r
+\r
+       vmovups %ymm5 ,         (CO1, LDC)\r
+       vmovups %ymm8 , 4 * SIZE(CO1, LDC)\r
+\r
+.endm\r
+\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL4x2_1\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       vbroadcastsd     -4 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd     -3 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+.endm\r
+\r
+.macro KERNEL4x2_2\r
+       vbroadcastsd     -2 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd     -1 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+.endm\r
+\r
+.macro KERNEL4x2_3\r
+       prefetcht0      64+A_PR1(AO, %rax, SIZE)\r
+       vbroadcastsd      0 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd      1 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+.endm\r
+\r
+.macro KERNEL4x2_4\r
+       vbroadcastsd      2 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd      3 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       addq    $8, BI                           \r
+       addq    $16, %rax                        \r
+.endm\r
+\r
+.macro KERNEL4x2_SUB\r
+       vbroadcastsd     -4 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vbroadcastsd     -3 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PD_    %ymm5,%ymm2,%ymm0\r
+       addq    $2, BI                           \r
+       addq    $4 , %rax                        \r
+.endm\r
+\r
+.macro SAVE4x2\r
+\r
+       vbroadcastsd    ALPHA, %ymm0\r
+\r
+       vmulpd  %ymm0 , %ymm4 , %ymm4\r
+       vmulpd  %ymm0 , %ymm5 , %ymm5\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd          (CO1), %ymm4,%ymm4\r
+       vaddpd          (CO1, LDC), %ymm5,%ymm5\r
+\r
+#endif\r
+\r
+       vmovups %ymm4 ,         (CO1)\r
+       vmovups %ymm5 ,         (CO1, LDC)\r
+\r
+.endm\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL2x2_1\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       vmovsd   -4 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -32 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd   -3 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+       vmovsd  -31 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm8,%xmm1,%xmm0\r
+       VFMADD231SD_    %xmm10,%xmm2,%xmm0\r
+.endm\r
+\r
+.macro KERNEL2x2_2\r
+       vmovsd   -2 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -30 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd   -1 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+       vmovsd  -29 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm8,%xmm1,%xmm0\r
+       VFMADD231SD_    %xmm10,%xmm2,%xmm0\r
+.endm\r
+\r
+.macro KERNEL2x2_3\r
+       vmovsd    0 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -28 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd    1 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+       vmovsd  -27 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm8,%xmm1,%xmm0\r
+       VFMADD231SD_    %xmm10,%xmm2,%xmm0\r
+.endm\r
+\r
+.macro KERNEL2x2_4\r
+       vmovsd    2 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -26 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd    3 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+       vmovsd  -25 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm8,%xmm1,%xmm0\r
+       VFMADD231SD_    %xmm10,%xmm2,%xmm0\r
+       addq    $8, BI                           \r
+       addq    $8, %rax                         \r
+.endm\r
+\r
+.macro KERNEL2x2_SUB\r
+       vmovsd   -4 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -32 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd   -3 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+       vmovsd  -31 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm8,%xmm1,%xmm0\r
+       VFMADD231SD_    %xmm10,%xmm2,%xmm0\r
+       addq    $2, BI                           \r
+       addq    $2, %rax                         \r
+.endm\r
+\r
+.macro SAVE2x2\r
+\r
+       vmovsd  ALPHA, %xmm0\r
+\r
+       vmulsd  %xmm0 , %xmm4 , %xmm4\r
+       vmulsd  %xmm0 , %xmm8 , %xmm8\r
+       vmulsd  %xmm0 , %xmm5 , %xmm5\r
+       vmulsd  %xmm0 , %xmm10, %xmm10\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddsd   (CO1), %xmm4,%xmm4\r
+       vaddsd 1 * SIZE(CO1), %xmm8,%xmm8\r
+       vaddsd   (CO1, LDC), %xmm5,%xmm5\r
+       vaddsd 1 * SIZE(CO1, LDC), %xmm10,%xmm10\r
+\r
+#endif\r
+\r
+       vmovsd  %xmm4 ,         (CO1)\r
+       vmovsd  %xmm8 , 1 * SIZE(CO1)\r
+       vmovsd  %xmm5 ,         (CO1, LDC)\r
+       vmovsd  %xmm10, 1 * SIZE(CO1, LDC)\r
+\r
+.endm\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL1x2_1\r
+       vmovsd   -4 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -32 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd   -3 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+.endm\r
+\r
+.macro KERNEL1x2_2\r
+       vmovsd   -2 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -31 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd   -1 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+.endm\r
+\r
+.macro KERNEL1x2_3\r
+       vmovsd    0 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -30 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd    1 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+.endm\r
+\r
+.macro KERNEL1x2_4\r
+       vmovsd    2 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -29 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd    3 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+       addq    $8, BI                           \r
+       addq    $4, %rax                         \r
+.endm\r
+\r
+.macro KERNEL1x2_SUB\r
+       vmovsd   -4 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -32 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd   -3 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SD_    %xmm5,%xmm2,%xmm0\r
+       addq    $2, BI                           \r
+       addq    $1, %rax                         \r
+.endm\r
+\r
+.macro SAVE1x2\r
+\r
+       vmovsd  ALPHA, %xmm0\r
+\r
+       vmulsd  %xmm0 , %xmm4 , %xmm4\r
+       vmulsd  %xmm0 , %xmm5 , %xmm5\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddsd   (CO1), %xmm4,%xmm4\r
+       vaddsd   (CO1, LDC), %xmm5,%xmm5\r
+\r
+#endif\r
+\r
+       vmovsd  %xmm4 ,         (CO1)\r
+       vmovsd  %xmm5 ,         (CO1, LDC)\r
+\r
+.endm\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+/*******************************************************************************************\r
+* 1 line of N\r
+*******************************************************************************************/\r
+\r
+.macro KERNEL16x1_1\r
+       vbroadcastsd     -2 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm10,%ymm1,%ymm0\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm13,%ymm1,%ymm0\r
+.endm\r
+\r
+.macro KERNEL16x1_2\r
+       vbroadcastsd     -1 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vmovups         -12 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       vmovups          -8 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm10,%ymm1,%ymm0\r
+       vmovups          -4 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm13,%ymm1,%ymm0\r
+.endm\r
+\r
+.macro KERNEL16x1_3\r
+       vbroadcastsd      0 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups           0 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vmovups           4 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       vmovups           8 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm10,%ymm1,%ymm0\r
+       vmovups          12 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm13,%ymm1,%ymm0\r
+.endm\r
+\r
+.macro KERNEL16x1_4\r
+       vbroadcastsd      1 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups          16 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vmovups          20 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       vmovups          24 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm10,%ymm1,%ymm0\r
+       vmovups          28 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm13,%ymm1,%ymm0\r
+       addq    $4, BI                           \r
+       addq    $64, %rax                        \r
+.endm\r
+\r
+.macro KERNEL16x1_SUB\r
+       vbroadcastsd     -2 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm10,%ymm1,%ymm0\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm13,%ymm1,%ymm0\r
+       addq    $1, BI                           \r
+       addq    $16, %rax                        \r
+.endm\r
+\r
+.macro SAVE16x1\r
+\r
+       vbroadcastsd    ALPHA, %ymm0\r
+\r
+       vmulpd  %ymm0 , %ymm4 , %ymm4\r
+       vmulpd  %ymm0 , %ymm7 , %ymm7\r
+       vmulpd  %ymm0 , %ymm10, %ymm10\r
+       vmulpd  %ymm0 , %ymm13, %ymm13\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd          (CO1), %ymm4,%ymm4\r
+       vaddpd  4 * SIZE(CO1), %ymm7,%ymm7\r
+       vaddpd  8 * SIZE(CO1), %ymm10,%ymm10\r
+       vaddpd 12 * SIZE(CO1), %ymm13,%ymm13\r
+\r
+#endif\r
+\r
+       vmovups %ymm4 ,         (CO1)\r
+       vmovups %ymm7 , 4 * SIZE(CO1)\r
+       vmovups %ymm10, 8 * SIZE(CO1)\r
+       vmovups %ymm13,12 * SIZE(CO1)\r
+\r
+.endm\r
+\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL8x1_1\r
+       vbroadcastsd     -2 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+.endm\r
+\r
+.macro KERNEL8x1_2\r
+       vbroadcastsd     -1 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+.endm\r
+\r
+.macro KERNEL8x1_3\r
+       vbroadcastsd      0 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vmovups         -12 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+.endm\r
+\r
+.macro KERNEL8x1_4\r
+       vbroadcastsd      1 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups          -8 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vmovups          -4 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       addq    $4, BI                           \r
+       addq    $32, %rax                        \r
+.endm\r
+\r
+.macro KERNEL8x1_SUB\r
+       vbroadcastsd     -2 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm7,%ymm1,%ymm0\r
+       addq    $1, BI                           \r
+       addq    $8 , %rax                        \r
+.endm\r
+\r
+.macro SAVE8x1\r
+\r
+       vbroadcastsd    ALPHA, %ymm0\r
+\r
+       vmulpd  %ymm0 , %ymm4 , %ymm4\r
+       vmulpd  %ymm0 , %ymm7 , %ymm7\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd          (CO1), %ymm4,%ymm4\r
+       vaddpd  4 * SIZE(CO1), %ymm7,%ymm7\r
+\r
+#endif\r
+\r
+       vmovups %ymm4 ,         (CO1)\r
+       vmovups %ymm7 , 4 * SIZE(CO1)\r
+\r
+.endm\r
+\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL4x1_1\r
+       vbroadcastsd     -2 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+.endm\r
+\r
+.macro KERNEL4x1_2\r
+       vbroadcastsd     -1 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+.endm\r
+\r
+.macro KERNEL4x1_3\r
+       vbroadcastsd      0 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+.endm\r
+\r
+.macro KERNEL4x1_4\r
+       vbroadcastsd      1 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       addq    $4, BI                           \r
+       addq    $16, %rax                        \r
+.endm\r
+\r
+.macro KERNEL4x1_SUB\r
+       vbroadcastsd     -2 * SIZE(BO, BI, SIZE), %ymm1\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %ymm0\r
+       VFMADD231PD_    %ymm4,%ymm1,%ymm0\r
+       addq    $1, BI                           \r
+       addq    $4 , %rax                        \r
+.endm\r
+\r
+.macro SAVE4x1\r
+\r
+       vbroadcastsd    ALPHA, %ymm0\r
+\r
+       vmulpd  %ymm0 , %ymm4 , %ymm4\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd          (CO1), %ymm4,%ymm4\r
+\r
+#endif\r
+\r
+       vmovups %ymm4 ,         (CO1)\r
+\r
+.endm\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL2x1_1\r
+       vmovsd   -2 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -32 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd  -31 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm8,%xmm1,%xmm0\r
+.endm\r
+\r
+.macro KERNEL2x1_2\r
+       vmovsd   -1 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -30 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd  -29 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm8,%xmm1,%xmm0\r
+.endm\r
+\r
+.macro KERNEL2x1_3\r
+       vmovsd    0 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -28 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd  -27 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm8,%xmm1,%xmm0\r
+.endm\r
+\r
+.macro KERNEL2x1_4\r
+       vmovsd    1 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -26 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd  -25 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm8,%xmm1,%xmm0\r
+       addq    $4, BI                           \r
+       addq    $8, %rax                         \r
+.endm\r
+\r
+.macro KERNEL2x1_SUB\r
+       vmovsd   -2 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -32 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       vmovsd  -31 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm8,%xmm1,%xmm0\r
+       addq    $1, BI                           \r
+       addq    $2 , %rax                        \r
+.endm\r
+\r
+.macro SAVE2x1\r
+\r
+       vmovsd  ALPHA, %xmm0\r
+\r
+       vmulsd  %xmm0 , %xmm4 , %xmm4\r
+       vmulsd  %xmm0 , %xmm8 , %xmm8\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddsd   (CO1), %xmm4,%xmm4\r
+       vaddsd 1 * SIZE(CO1), %xmm8,%xmm8\r
+\r
+#endif\r
+\r
+       vmovsd  %xmm4 ,         (CO1)\r
+       vmovsd  %xmm8 , 1 * SIZE(CO1)\r
+\r
+.endm\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL1x1_1\r
+       vmovsd   -2 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -32 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+.endm\r
+\r
+.macro KERNEL1x1_2\r
+       vmovsd   -1 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -31 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+.endm\r
+\r
+.macro KERNEL1x1_3\r
+       vmovsd    0 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -30 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+.endm\r
+\r
+.macro KERNEL1x1_4\r
+       vmovsd    1 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -29 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       addq    $4, BI                           \r
+       addq    $4, %rax                         \r
+.endm\r
+\r
+.macro KERNEL1x1_SUB\r
+       vmovsd   -2 * SIZE(BO, BI, SIZE), %xmm1\r
+       vmovsd  -32 * SIZE(AO, %rax, SIZE), %xmm0\r
+       VFMADD231SD_    %xmm4,%xmm1,%xmm0\r
+       addq    $1, BI                           \r
+       addq    $1 , %rax                        \r
+.endm\r
+\r
+.macro SAVE1x1\r
+\r
+       vmovsd  ALPHA, %xmm0\r
+\r
+       vmulsd  %xmm0 , %xmm4 , %xmm4\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddsd   (CO1), %xmm4,%xmm4\r
+\r
+#endif\r
+\r
+       vmovsd  %xmm4 ,         (CO1)\r
+\r
+.endm\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+\r
+       PROLOGUE\r
+       PROFCODE\r
+       \r
+       subq    $STACKSIZE, %rsp\r
+       movq    %rbx,   (%rsp)\r
+       movq    %rbp,  8(%rsp)\r
+       movq    %r12, 16(%rsp)\r
+       movq    %r13, 24(%rsp)\r
+       movq    %r14, 32(%rsp)\r
+       movq    %r15, 40(%rsp)\r
+\r
+       vzeroupper\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq    %rdi,    48(%rsp)\r
+       movq    %rsi,    56(%rsp)\r
+       movups  %xmm6,   64(%rsp)\r
+       movups  %xmm7,   80(%rsp)\r
+       movups  %xmm8,   96(%rsp)\r
+       movups  %xmm9,  112(%rsp)\r
+       movups  %xmm10, 128(%rsp)\r
+       movups  %xmm11, 144(%rsp)\r
+       movups  %xmm12, 160(%rsp)\r
+       movups  %xmm13, 176(%rsp)\r
+       movups  %xmm14, 192(%rsp)\r
+       movups  %xmm15, 208(%rsp)\r
+\r
+       movq    ARG1,      OLD_M\r
+       movq    ARG2,      OLD_N\r
+       movq    ARG3,      OLD_K\r
+       movq    OLD_A,     A\r
+       movq    OLD_B,     B\r
+       movq    OLD_C,     C\r
+       movq    OLD_LDC,   LDC\r
+\r
+       vmovaps %xmm3, %xmm0\r
+\r
+#else\r
+       movq    STACKSIZE +  8(%rsp), LDC\r
+\r
+#endif\r
+\r
+       movq    %rsp, SP      # save old stack\r
+        subq    $128 + L_BUFFER_SIZE, %rsp\r
+        andq    $-4096, %rsp    # align stack\r
+\r
+        STACK_TOUCH\r
+\r
+       cmpq    $0, OLD_M\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_N\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_K\r
+       je      .L999\r
+\r
+       movq    OLD_M, M\r
+       movq    OLD_N, N\r
+       movq    OLD_K, K\r
+\r
+       vmovsd   %xmm0, ALPHA\r
+\r
+       salq    $BASE_SHIFT, LDC\r
+\r
+       movq    N, %rax\r
+        xorq    %rdx, %rdx\r
+        movq    $6,  %rdi\r
+        divq    %rdi                    //    N / 6\r
+        movq    %rax, Ndiv6             //    N / 6\r
+        movq    %rdx, Nmod6             //    N % 6\r
+\r
+\r
+       movq    Ndiv6,  J\r
+       cmpq    $0, J\r
+       je      .L2_0\r
+       ALIGN_4\r
+\r
+.L6_01:\r
+        // copy to sub buffer\r
+        movq    K, %rax\r
+        salq    $1,%rax                 // K * 2 ; read 2 values\r
+        movq    B, BO1\r
+        leaq    (B,%rax, SIZE), BO2     // next offset to BO2\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        movq    K, %rax\r
+       sarq    $3 , %rax               // K / 8\r
+       jz      .L6_01a_2\r
+        ALIGN_4\r
+\r
+.L6_01a_1:\r
+\r
+        prefetcht0 512(BO1)\r
+        prefetcht0 512(BO2)\r
+        prefetchw  512(BO)\r
+\r
+\r
+       vmovups 0 * SIZE(BO1), %xmm0\r
+       vmovups 2 * SIZE(BO1), %xmm2\r
+       vmovups 4 * SIZE(BO1), %xmm4\r
+       vmovups 6 * SIZE(BO1), %xmm6\r
+       vmovsd  0 * SIZE(BO2), %xmm1\r
+       vmovsd  2 * SIZE(BO2), %xmm3\r
+       vmovsd  4 * SIZE(BO2), %xmm5\r
+       vmovsd  6 * SIZE(BO2), %xmm7\r
+       vmovups %xmm0, 0*SIZE(BO)\r
+       vmovsd  %xmm1, 2*SIZE(BO)\r
+       vmovups %xmm2, 3*SIZE(BO)\r
+       vmovsd  %xmm3, 5*SIZE(BO)\r
+       vmovups %xmm4, 6*SIZE(BO)\r
+       vmovsd  %xmm5, 8*SIZE(BO)\r
+       vmovups %xmm6, 9*SIZE(BO)\r
+       vmovsd  %xmm7,11*SIZE(BO)\r
+       addq    $8*SIZE,BO1\r
+       addq    $8*SIZE,BO2\r
+       addq    $12*SIZE,BO\r
+\r
+       vmovups 0 * SIZE(BO1), %xmm0\r
+       vmovups 2 * SIZE(BO1), %xmm2\r
+       vmovups 4 * SIZE(BO1), %xmm4\r
+       vmovups 6 * SIZE(BO1), %xmm6\r
+       vmovsd  0 * SIZE(BO2), %xmm1\r
+       vmovsd  2 * SIZE(BO2), %xmm3\r
+       vmovsd  4 * SIZE(BO2), %xmm5\r
+       vmovsd  6 * SIZE(BO2), %xmm7\r
+       vmovups %xmm0, 0*SIZE(BO)\r
+       vmovsd  %xmm1, 2*SIZE(BO)\r
+       vmovups %xmm2, 3*SIZE(BO)\r
+       vmovsd  %xmm3, 5*SIZE(BO)\r
+       vmovups %xmm4, 6*SIZE(BO)\r
+       vmovsd  %xmm5, 8*SIZE(BO)\r
+       vmovups %xmm6, 9*SIZE(BO)\r
+       vmovsd  %xmm7,11*SIZE(BO)\r
+       addq    $8*SIZE,BO1\r
+       addq    $8*SIZE,BO2\r
+       addq    $12*SIZE,BO\r
+\r
+       decq    %rax\r
+       jnz     .L6_01a_1\r
+\r
+\r
+\r
+.L6_01a_2:\r
+\r
+       movq    K, %rax\r
+        andq    $7, %rax                // K % 8\r
+        jz      .L6_02c\r
+        ALIGN_4\r
+\r
+\r
+.L6_02b:\r
+\r
+       vmovups 0 * SIZE(BO1), %xmm0\r
+       vmovsd  0 * SIZE(BO2), %xmm2\r
+       vmovups %xmm0, 0*SIZE(BO)\r
+       vmovsd  %xmm2, 2*SIZE(BO)\r
+       addq    $2*SIZE,BO1\r
+       addq    $2*SIZE,BO2\r
+       addq    $3*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L6_02b\r
+\r
+.L6_02c:\r
+\r
+       movq    K, %rax\r
+       salq    $1,%rax                 // K * 2\r
+       leaq    (B,%rax, SIZE), BO1     // next offset to BO1\r
+       leaq    (BO1,%rax, SIZE), BO2   // next offset to BO2\r
+       leaq    BUFFER2, BO             // second buffer to BO\r
+       movq    K, %rax\r
+       sarq    $3 , %rax               // K / 8\r
+       jz      .L6_02c_2\r
+       ALIGN_4\r
+\r
+.L6_02c_1:\r
+\r
+       prefetcht0 512(BO2)\r
+        prefetchw  512(BO)\r
+\r
+       vmovups 0 * SIZE(BO2), %xmm0\r
+       vmovups 2 * SIZE(BO2), %xmm2\r
+       vmovups 4 * SIZE(BO2), %xmm4\r
+       vmovups 6 * SIZE(BO2), %xmm6\r
+       vmovsd  1 * SIZE(BO1), %xmm1\r
+       vmovsd  3 * SIZE(BO1), %xmm3\r
+       vmovsd  5 * SIZE(BO1), %xmm5\r
+       vmovsd  7 * SIZE(BO1), %xmm7\r
+       vmovsd  %xmm1, 0*SIZE(BO)\r
+       vmovups %xmm0, 1*SIZE(BO)\r
+       vmovsd  %xmm3, 3*SIZE(BO)\r
+       vmovups %xmm2, 4*SIZE(BO)\r
+       vmovsd  %xmm5, 6*SIZE(BO)\r
+       vmovups %xmm4, 7*SIZE(BO)\r
+       vmovsd  %xmm7, 9*SIZE(BO)\r
+       vmovups %xmm6,10*SIZE(BO)\r
+       addq    $8*SIZE,BO1\r
+       addq    $8*SIZE,BO2\r
+       addq    $12*SIZE,BO\r
+\r
+\r
+       vmovups 0 * SIZE(BO2), %xmm0\r
+       vmovups 2 * SIZE(BO2), %xmm2\r
+       vmovups 4 * SIZE(BO2), %xmm4\r
+       vmovups 6 * SIZE(BO2), %xmm6\r
+       vmovsd  1 * SIZE(BO1), %xmm1\r
+       vmovsd  3 * SIZE(BO1), %xmm3\r
+       vmovsd  5 * SIZE(BO1), %xmm5\r
+       vmovsd  7 * SIZE(BO1), %xmm7\r
+       vmovsd  %xmm1, 0*SIZE(BO)\r
+       vmovups %xmm0, 1*SIZE(BO)\r
+       vmovsd  %xmm3, 3*SIZE(BO)\r
+       vmovups %xmm2, 4*SIZE(BO)\r
+       vmovsd  %xmm5, 6*SIZE(BO)\r
+       vmovups %xmm4, 7*SIZE(BO)\r
+       vmovsd  %xmm7, 9*SIZE(BO)\r
+       vmovups %xmm6,10*SIZE(BO)\r
+       addq    $8*SIZE,BO1\r
+       addq    $8*SIZE,BO2\r
+       addq    $12*SIZE,BO\r
+\r
+       decq    %rax\r
+       jnz     .L6_02c_1\r
+\r
+\r
+.L6_02c_2:\r
+\r
+       movq    K, %rax\r
+        andq    $7, %rax                // K % 8\r
+        jz      .L6_03c\r
+        ALIGN_4\r
+\r
+.L6_03b:\r
+\r
+       vmovsd    1*SIZE(BO1), %xmm0\r
+       vmovups   0*SIZE(BO2), %xmm1\r
+       vmovsd  %xmm0, 0*SIZE(BO)\r
+       vmovups %xmm1, 1*SIZE(BO)\r
+       addq    $2*SIZE,BO1\r
+       addq    $2*SIZE,BO2\r
+       addq    $3*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L6_03b\r
+\r
+\r
+.L6_03c:\r
+\r
+       movq    BO2, B                  // next offset of B\r
+\r
+.L6_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 2), C           \r
+       leaq    (C, LDC, 1), C          // c += 3 * ldc\r
+\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $16 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $4, I                   // i = (m >> 4)\r
+       je      .L6_20\r
+\r
+       ALIGN_4\r
+\r
+.L6_11:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $12 * SIZE, BO\r
+\r
+       prefetcht0      (CO1)\r
+       prefetcht0      (CO1,LDC,1)\r
+       prefetcht0      (CO1,LDC,2)\r
+       prefetcht0      64(CO1)\r
+       prefetcht0      64(CO1,LDC,1)\r
+       prefetcht0      64(CO1,LDC,2)\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       sarq $1, %rax                   //  K / 8\r
+       je      .L6_16\r
+\r
+       ALIGN_5\r
+\r
+.L6_12:\r
+/*\r
+       prefetcht0      B_PR1(BO)\r
+       prefetcht0      B_PR1+64(BO)\r
+       prefetcht0      B_PR1+128(BO)\r
+*/\r
+       KERNEL16x3_SUBN\r
+       KERNEL16x3_SUBN\r
+/*\r
+       KERNEL16x3_SUBN\r
+       KERNEL16x3_SUBN\r
+\r
+       KERNEL16x3_SUBN\r
+       KERNEL16x3_SUBN\r
+       KERNEL16x3_SUBN\r
+       KERNEL16x3_SUBN\r
+*/\r
+       dec     %rax\r
+       jne     .L6_12\r
+\r
+.L6_16:\r
+        movq    K, %rax\r
+\r
+       andq    $1, %rax                # if (k & 1)\r
+       je .L6_19\r
+\r
+       ALIGN_4\r
+\r
+.L6_17:\r
+\r
+       KERNEL16x3_SUBN\r
+\r
+       dec     %rax\r
+       jne     .L6_17\r
+       ALIGN_4\r
+\r
+\r
+.L6_19:\r
+\r
+       SAVE16x3\r
+\r
+       addq    $16 * SIZE, CO1         # coffset += 16\r
+       decq    I                       # i --\r
+       jg      .L6_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L6_20:\r
+       // Test rest of M\r
+\r
+       testq   $15, M\r
+       jz      .L7_10          // to next 3 lines of N\r
+\r
+       testq   $8, M           \r
+       jz      .L6_21pre\r
+       ALIGN_4\r
+\r
+/**************************************************************************/\r
+\r
+.L6_20_1:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $12 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       sarq    $3, %rax\r
+       je      .L6_20_6\r
+\r
+       ALIGN_4\r
+\r
+.L6_20_2:\r
+\r
+       KERNEL8x3_SUBN\r
+       KERNEL8x3_SUBN\r
+       KERNEL8x3_SUBN\r
+       KERNEL8x3_SUBN\r
+\r
+       KERNEL8x3_SUBN\r
+       KERNEL8x3_SUBN\r
+       KERNEL8x3_SUBN\r
+       KERNEL8x3_SUBN\r
+       dec     %rax\r
+       jne     .L6_20_2\r
+       ALIGN_4\r
+\r
+.L6_20_6:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L6_20_9\r
+\r
+\r
+       ALIGN_4\r
+\r
+.L6_20_7:\r
+\r
+       KERNEL8x3_SUBN\r
+\r
+       dec     %rax\r
+       jne     .L6_20_7\r
+       ALIGN_4\r
+\r
+\r
+.L6_20_9:\r
+\r
+       SAVE8x3\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       ALIGN_4\r
+       \r
+\r
+\r
+/**************************************************************************/\r
+\r
+.L6_21pre:\r
+\r
+       testq   $4, M           \r
+       jz      .L6_30\r
+       ALIGN_4\r
+\r
+.L6_21:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $12 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       sarq    $3, %rax\r
+       je      .L6_26\r
+\r
+       ALIGN_4\r
+\r
+.L6_22:\r
+\r
+       KERNEL4x3_SUBN\r
+       KERNEL4x3_SUBN\r
+       KERNEL4x3_SUBN\r
+       KERNEL4x3_SUBN\r
+\r
+       KERNEL4x3_SUBN\r
+       KERNEL4x3_SUBN\r
+       KERNEL4x3_SUBN\r
+       KERNEL4x3_SUBN\r
+       dec     %rax\r
+       jne     .L6_22\r
+       ALIGN_4\r
+\r
+.L6_26:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L6_29\r
+\r
+       ALIGN_4\r
+\r
+.L6_27:\r
+\r
+       KERNEL4x3_SUBN\r
+\r
+       dec %rax\r
+       jne     .L6_27\r
+       ALIGN_4\r
+\r
+\r
+.L6_29:\r
+\r
+       SAVE4x3\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       ALIGN_4\r
+       \r
+\r
+.L6_30:\r
+       testq   $2, M           \r
+       jz      .L6_40\r
+\r
+       ALIGN_4\r
+\r
+.L6_31:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $12 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       sarq    $3, %rax\r
+       je      .L6_36\r
+       ALIGN_4\r
+\r
+.L6_32:\r
+\r
+       KERNEL2x3_SUBN\r
+       KERNEL2x3_SUBN\r
+       KERNEL2x3_SUBN\r
+       KERNEL2x3_SUBN\r
+\r
+       KERNEL2x3_SUBN\r
+       KERNEL2x3_SUBN\r
+       KERNEL2x3_SUBN\r
+       KERNEL2x3_SUBN\r
+       dec %rax\r
+       jne     .L6_32\r
+       ALIGN_4\r
+\r
+.L6_36:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L6_39\r
+\r
+       ALIGN_4\r
+\r
+.L6_37:\r
+\r
+       KERNEL2x3_SUBN\r
+\r
+       dec %rax\r
+       jne     .L6_37\r
+       ALIGN_4\r
+\r
+\r
+.L6_39:\r
+\r
+       SAVE2x3\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       ALIGN_4\r
+\r
+.L6_40:\r
+       testq   $1, M           \r
+       jz      .L7_10          // to next 3 lines of N\r
+\r
+       ALIGN_4\r
+\r
+.L6_41:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $12 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       sarq    $3,%rax\r
+       je      .L6_46\r
+\r
+       ALIGN_4\r
+\r
+.L6_42:\r
+\r
+       KERNEL1x3_SUBN\r
+       KERNEL1x3_SUBN\r
+       KERNEL1x3_SUBN\r
+       KERNEL1x3_SUBN\r
+\r
+       KERNEL1x3_SUBN\r
+       KERNEL1x3_SUBN\r
+       KERNEL1x3_SUBN\r
+       KERNEL1x3_SUBN\r
+\r
+       dec %rax\r
+       jne     .L6_42\r
+       ALIGN_4\r
+\r
+.L6_46:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L6_49\r
+\r
+       ALIGN_4\r
+\r
+.L6_47:\r
+\r
+       KERNEL1x3_SUBN\r
+\r
+       dec     %rax\r
+       jne     .L6_47\r
+       ALIGN_4\r
+\r
+\r
+.L6_49:\r
+\r
+       SAVE1x3\r
+\r
+       addq    $1 * SIZE, CO1          # coffset += 1\r
+       ALIGN_4\r
+       \r
+\r
+\r
+\r
+/***************************************************************************************************************/\r
+\r
+.L7_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 2), C           \r
+       leaq    (C, LDC, 1), C          // c += 3 * ldc\r
+\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $16 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $4, I                   // i = (m >> 4)\r
+       je      .L7_20\r
+\r
+       ALIGN_4\r
+\r
+.L7_11:\r
+        leaq    BUFFER2, BO             // second buffer to BO\r
+        addq    $12 * SIZE, BO\r
+\r
+       prefetcht0      (CO1)\r
+       prefetcht0      (CO1,LDC,1)\r
+       prefetcht0      (CO1,LDC,2)\r
+       prefetcht0      64(CO1)\r
+       prefetcht0      64(CO1,LDC,1)\r
+       prefetcht0      64(CO1,LDC,2)\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       sarq $3, %rax                   // K / 8\r
+       je      .L7_16\r
+       ALIGN_5\r
+\r
+.L7_12:\r
+/*\r
+       prefetcht0      B_PR1(BO)\r
+       prefetcht0      B_PR1+64(BO)\r
+       prefetcht0      B_PR1+128(BO)\r
+*/\r
+       KERNEL16x3_SUBN\r
+       KERNEL16x3_SUBN\r
+       KERNEL16x3_SUBN\r
+       KERNEL16x3_SUBN\r
+\r
+       KERNEL16x3_SUBN\r
+       KERNEL16x3_SUBN\r
+       KERNEL16x3_SUBN\r
+       KERNEL16x3_SUBN\r
+       dec %rax\r
+       jne     .L7_12\r
+       ALIGN_4\r
+\r
+.L7_16:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L7_19\r
+\r
+       ALIGN_5\r
+\r
+.L7_17:\r
+\r
+       KERNEL16x3_SUBN\r
+\r
+       dec     %rax\r
+       jne     .L7_17\r
+\r
+\r
+.L7_19:\r
+\r
+       SAVE16x3\r
+\r
+       addq    $16 * SIZE, CO1         # coffset += 16\r
+       decq    I                       # i --\r
+       jg      .L7_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L7_20:\r
+       // Test rest of M\r
+\r
+       testq   $15, M\r
+       jz      .L7_60          // to next 3 lines of N\r
+\r
+       testq   $8, M           \r
+       jz      .L7_21pre\r
+       ALIGN_4\r
+\r
+/**************************************************************************/\r
+\r
+.L7_20_1:\r
+        leaq    BUFFER2, BO             // first buffer to BO\r
+        addq    $12 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       sarq    $3, %rax\r
+       je      .L7_20_6\r
+\r
+       ALIGN_4\r
+\r
+.L7_20_2:\r
+\r
+       KERNEL8x3_SUBN\r
+       KERNEL8x3_SUBN\r
+       KERNEL8x3_SUBN\r
+       KERNEL8x3_SUBN\r
+\r
+       KERNEL8x3_SUBN\r
+       KERNEL8x3_SUBN\r
+       KERNEL8x3_SUBN\r
+       KERNEL8x3_SUBN\r
+\r
+       dec %rax\r
+       jne     .L7_20_2\r
+       ALIGN_4\r
+\r
+.L7_20_6:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L7_20_9\r
+\r
+       ALIGN_4\r
+\r
+.L7_20_7:\r
+\r
+       KERNEL8x3_SUBN\r
+\r
+       dec %rax\r
+       jne     .L7_20_7\r
+       ALIGN_4\r
+\r
+.L7_20_9:\r
+\r
+       SAVE8x3\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       ALIGN_4\r
+       \r
+\r
+\r
+/**************************************************************************/\r
+\r
+.L7_21pre:\r
+\r
+       testq   $4, M           \r
+       jz      .L7_30\r
+       ALIGN_4\r
+\r
+.L7_21:\r
+        leaq    BUFFER2, BO             // second buffer to BO\r
+        addq    $12 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       sarq    $3, %rax\r
+       je      .L7_26\r
+\r
+       ALIGN_4\r
+\r
+.L7_22:\r
+\r
+       KERNEL4x3_SUBN\r
+       KERNEL4x3_SUBN\r
+       KERNEL4x3_SUBN\r
+       KERNEL4x3_SUBN\r
+\r
+       KERNEL4x3_SUBN\r
+       KERNEL4x3_SUBN\r
+       KERNEL4x3_SUBN\r
+       KERNEL4x3_SUBN\r
+\r
+       dec %rax\r
+       jne     .L7_22\r
+       ALIGN_4\r
+\r
+.L7_26:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L7_29\r
+\r
+       ALIGN_4\r
+\r
+.L7_27:\r
+\r
+       KERNEL4x3_SUBN\r
+\r
+       dec %rax\r
+       jne     .L7_27\r
+       ALIGN_4\r
+\r
+\r
+.L7_29:\r
+\r
+       SAVE4x3\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       ALIGN_4\r
+       \r
+\r
+.L7_30:\r
+       testq   $2, M           \r
+       jz      .L7_40\r
+\r
+       ALIGN_4\r
+\r
+.L7_31:\r
+        leaq    BUFFER2, BO             // second buffer to BO\r
+        addq    $12 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       sarq    $3, %rax\r
+       je      .L7_36\r
+\r
+       ALIGN_4\r
+\r
+.L7_32:\r
+\r
+       KERNEL2x3_SUBN\r
+       KERNEL2x3_SUBN\r
+       KERNEL2x3_SUBN\r
+       KERNEL2x3_SUBN\r
+\r
+       KERNEL2x3_SUBN\r
+       KERNEL2x3_SUBN\r
+       KERNEL2x3_SUBN\r
+       KERNEL2x3_SUBN\r
+\r
+       dec %rax\r
+       jne     .L7_32\r
+       ALIGN_4\r
+\r
+.L7_36:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L7_39\r
+\r
+       ALIGN_4\r
+\r
+.L7_37:\r
+\r
+       KERNEL2x3_SUBN\r
+\r
+       dec %rax\r
+       jne     .L7_37\r
+       ALIGN_4\r
+\r
+\r
+.L7_39:\r
+\r
+       SAVE2x3\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       ALIGN_4\r
+\r
+.L7_40:\r
+       testq   $1, M           \r
+       jz      .L7_60          // to next 3 lines of N\r
+\r
+       ALIGN_4\r
+\r
+.L7_41:\r
+        leaq    BUFFER2, BO             // second buffer to BO\r
+        addq    $12 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       sarq    $3, %rax\r
+       je      .L7_46\r
+\r
+       ALIGN_4\r
+\r
+.L7_42:\r
+       KERNEL1x3_SUBN\r
+       KERNEL1x3_SUBN\r
+       KERNEL1x3_SUBN\r
+       KERNEL1x3_SUBN\r
+\r
+       KERNEL1x3_SUBN\r
+       KERNEL1x3_SUBN\r
+       KERNEL1x3_SUBN\r
+       KERNEL1x3_SUBN\r
+\r
+       dec %rax\r
+       jne     .L7_42\r
+       ALIGN_4\r
+\r
+.L7_46:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L7_49\r
+\r
+       ALIGN_4\r
+\r
+.L7_47:\r
+\r
+       KERNEL1x3_SUBN\r
+\r
+       dec %rax\r
+       jne     .L7_47\r
+       ALIGN_4\r
+\r
+\r
+.L7_49:\r
+\r
+       SAVE1x3\r
+\r
+       addq    $1 * SIZE, CO1          # coffset += 1\r
+       ALIGN_4\r
+       \r
+\r
+\r
+.L7_60:\r
+\r
+       decq    J                       // j --\r
+       jg      .L6_01\r
+\r
+\r
+.L2_0:\r
+       cmpq    $0, Nmod6               // N % 6 == 0\r
+       je      .L999\r
+\r
+/************************************************************************************************\r
+* Loop for Nmod6 / 2 > 0\r
+*************************************************************************************************/\r
+\r
+       movq    Nmod6, J                \r
+       sarq    $1, J                   // j = j / 2\r
+       je      .L1_0\r
+       ALIGN_4\r
+\r
+.L2_01:\r
+       // copy to sub buffer\r
+       movq    B, BO1\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       movq    K, %rax\r
+       sarq    $2, %rax                // K / 4\r
+       jz      .L2_01b\r
+       ALIGN_4\r
+\r
+.L2_01a:\r
+        prefetcht0 512(BO1)\r
+        prefetchw  512(BO)\r
+\r
+       vmovups       (BO1), %xmm0\r
+       vmovups 2*SIZE(BO1), %xmm1\r
+       vmovups 4*SIZE(BO1), %xmm2\r
+       vmovups 6*SIZE(BO1), %xmm3\r
+\r
+       vmovups %xmm0,       (BO)\r
+       vmovups %xmm1, 2*SIZE(BO)\r
+       vmovups %xmm2, 4*SIZE(BO)\r
+       vmovups %xmm3, 6*SIZE(BO)\r
+\r
+       addq    $8*SIZE,BO1\r
+       addq    $8*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L2_01a\r
+\r
+\r
+.L2_01b:\r
+\r
+        movq    K, %rax\r
+        andq    $3, %rax                // K % 4\r
+        jz      .L2_02d\r
+        ALIGN_4\r
+\r
+.L2_02c:\r
+\r
+       vmovups (BO1), %xmm0\r
+       vmovups %xmm0, (BO)\r
+       addq    $2*SIZE,BO1\r
+       addq    $2*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L2_02c\r
+\r
+.L2_02d:\r
+\r
+       movq    BO1, B                  // next offset of B\r
+\r
+.L2_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 2), C          // c += 2 * ldc\r
+\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $32 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $4, I                   // i = (m >> 4)\r
+       je      .L2_20\r
+\r
+       ALIGN_4\r
+\r
+.L2_11:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L2_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_12:\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL16x2_1\r
+       KERNEL16x2_2\r
+       KERNEL16x2_3\r
+       KERNEL16x2_4\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL16x2_1\r
+       KERNEL16x2_2\r
+       KERNEL16x2_3\r
+       KERNEL16x2_4\r
+\r
+       je      .L2_16\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL16x2_1\r
+       KERNEL16x2_2\r
+       KERNEL16x2_3\r
+       KERNEL16x2_4\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL16x2_1\r
+       KERNEL16x2_2\r
+       KERNEL16x2_3\r
+       KERNEL16x2_4\r
+\r
+       je      .L2_16\r
+\r
+       jmp     .L2_12\r
+       ALIGN_4\r
+\r
+.L2_16:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_17:\r
+\r
+       KERNEL16x2_SUB\r
+\r
+       jl      .L2_17\r
+       ALIGN_4\r
+\r
+\r
+.L2_19:\r
+\r
+       SAVE16x2\r
+\r
+       addq    $16 * SIZE, CO1         # coffset += 16\r
+       decq    I                       # i --\r
+       jg      .L2_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L2_20:\r
+       // Test rest of M\r
+\r
+       testq   $15, M\r
+       jz      .L2_60          // to next 3 lines of N\r
+\r
+       testq   $8, M           \r
+       jz      .L2_21pre\r
+       ALIGN_4\r
+\r
+/**************************************************************************/\r
+\r
+.L2_20_1:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_20_6\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_20_2:\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL8x2_1\r
+       KERNEL8x2_2\r
+       KERNEL8x2_3\r
+       KERNEL8x2_4\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL8x2_1\r
+       KERNEL8x2_2\r
+       KERNEL8x2_3\r
+       KERNEL8x2_4\r
+\r
+       je      .L2_20_6\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL8x2_1\r
+       KERNEL8x2_2\r
+       KERNEL8x2_3\r
+       KERNEL8x2_4\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL8x2_1\r
+       KERNEL8x2_2\r
+       KERNEL8x2_3\r
+       KERNEL8x2_4\r
+\r
+       je      .L2_20_6\r
+\r
+       jmp     .L2_20_2\r
+       ALIGN_4\r
+\r
+.L2_20_6:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_20_9\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_20_7:\r
+\r
+       KERNEL8x2_SUB\r
+\r
+       jl      .L2_20_7\r
+       ALIGN_4\r
+\r
+\r
+.L2_20_9:\r
+\r
+       SAVE8x2\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       ALIGN_4\r
+       \r
+\r
+\r
+/**************************************************************************/\r
+\r
+.L2_21pre:\r
+\r
+       testq   $4, M           \r
+       jz      .L2_30\r
+       ALIGN_4\r
+\r
+.L2_21:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_26\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 1 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_22:\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL4x2_1\r
+       KERNEL4x2_2\r
+       KERNEL4x2_3\r
+       KERNEL4x2_4\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL4x2_1\r
+       KERNEL4x2_2\r
+       KERNEL4x2_3\r
+       KERNEL4x2_4\r
+\r
+       je      .L2_26\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL4x2_1\r
+       KERNEL4x2_2\r
+       KERNEL4x2_3\r
+       KERNEL4x2_4\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL4x2_1\r
+       KERNEL4x2_2\r
+       KERNEL4x2_3\r
+       KERNEL4x2_4\r
+\r
+       je      .L2_26\r
+\r
+       jmp     .L2_22\r
+       ALIGN_4\r
+\r
+.L2_26:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_29\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_27:\r
+\r
+       KERNEL4x2_SUB\r
+\r
+       jl      .L2_27\r
+       ALIGN_4\r
+\r
+\r
+.L2_29:\r
+\r
+       SAVE4x2\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       ALIGN_4\r
+       \r
+\r
+.L2_30:\r
+       testq   $2, M           \r
+       jz      .L2_40\r
+\r
+       ALIGN_4\r
+\r
+.L2_31:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_36\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_32:\r
+\r
+       KERNEL2x2_1\r
+       KERNEL2x2_2\r
+       KERNEL2x2_3\r
+       KERNEL2x2_4\r
+\r
+       KERNEL2x2_1\r
+       KERNEL2x2_2\r
+       KERNEL2x2_3\r
+       KERNEL2x2_4\r
+\r
+       je      .L2_36\r
+\r
+       KERNEL2x2_1\r
+       KERNEL2x2_2\r
+       KERNEL2x2_3\r
+       KERNEL2x2_4\r
+\r
+       KERNEL2x2_1\r
+       KERNEL2x2_2\r
+       KERNEL2x2_3\r
+       KERNEL2x2_4\r
+\r
+       je      .L2_36\r
+\r
+       jmp     .L2_32\r
+       ALIGN_4\r
+\r
+.L2_36:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_39\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+       \r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_37:\r
+\r
+       KERNEL2x2_SUB\r
+\r
+       jl      .L2_37\r
+       ALIGN_4\r
+\r
+\r
+.L2_39:\r
+\r
+       SAVE2x2\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       ALIGN_4\r
+\r
+.L2_40:\r
+       testq   $1, M           \r
+       jz      .L2_60          // to next 2 lines of N\r
+\r
+       ALIGN_4\r
+\r
+.L2_41:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_46\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_42:\r
+\r
+       KERNEL1x2_1\r
+       KERNEL1x2_2\r
+       KERNEL1x2_3\r
+       KERNEL1x2_4\r
+\r
+       KERNEL1x2_1\r
+       KERNEL1x2_2\r
+       KERNEL1x2_3\r
+       KERNEL1x2_4\r
+\r
+       je      .L2_46\r
+\r
+       KERNEL1x2_1\r
+       KERNEL1x2_2\r
+       KERNEL1x2_3\r
+       KERNEL1x2_4\r
+\r
+       KERNEL1x2_1\r
+       KERNEL1x2_2\r
+       KERNEL1x2_3\r
+       KERNEL1x2_4\r
+\r
+       je      .L2_46\r
+\r
+       jmp     .L2_42\r
+       ALIGN_4\r
+\r
+.L2_46:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_49\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_47:\r
+\r
+       KERNEL1x2_SUB\r
+\r
+       jl      .L2_47\r
+       ALIGN_4\r
+\r
+\r
+.L2_49:\r
+\r
+       SAVE1x2\r
+\r
+       addq    $1 * SIZE, CO1          # coffset += 1\r
+       ALIGN_4\r
+       \r
+.L2_60:\r
+\r
+       decq    J                       // j --\r
+       jg      .L2_01                  // next 2 lines of N\r
+\r
+\r
+\r
+.L1_0:\r
+\r
+/************************************************************************************************\r
+* Loop for Nmod6 % 2 > 0\r
+*************************************************************************************************/\r
+\r
+       movq    Nmod6, J                \r
+       andq    $1, J                   // j % 2\r
+       je      .L999\r
+       ALIGN_4\r
+\r
+.L1_01:\r
+       // copy to sub buffer\r
+       movq    B, BO1\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       movq    K, %rax\r
+       ALIGN_4\r
+\r
+.L1_02b:\r
+\r
+       vmovsd  (BO1), %xmm0\r
+       vmovsd  %xmm0,       (BO)\r
+       addq    $1*SIZE,BO1\r
+       addq    $1*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L1_02b\r
+\r
+.L1_02c:\r
+\r
+       movq    BO1, B                  // next offset of B\r
+\r
+.L1_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 1), C          // c += 1 * ldc\r
+\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $32 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $4, I                   // i = (m >> 4)\r
+       je      .L1_20\r
+\r
+       ALIGN_4\r
+\r
+.L1_11:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L1_16\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_12:\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL16x1_1\r
+       KERNEL16x1_2\r
+       KERNEL16x1_3\r
+       KERNEL16x1_4\r
+\r
+       KERNEL16x1_1\r
+       KERNEL16x1_2\r
+       KERNEL16x1_3\r
+       KERNEL16x1_4\r
+\r
+       je      .L1_16\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL16x1_1\r
+       KERNEL16x1_2\r
+       KERNEL16x1_3\r
+       KERNEL16x1_4\r
+\r
+       KERNEL16x1_1\r
+       KERNEL16x1_2\r
+       KERNEL16x1_3\r
+       KERNEL16x1_4\r
+\r
+       je      .L1_16\r
+\r
+       jmp     .L1_12\r
+       ALIGN_4\r
+\r
+.L1_16:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_17:\r
+\r
+       KERNEL16x1_SUB\r
+\r
+       jl      .L1_17\r
+       ALIGN_4\r
+\r
+\r
+.L1_19:\r
+\r
+       SAVE16x1\r
+\r
+       addq    $16 * SIZE, CO1         # coffset += 16\r
+       decq    I                       # i --\r
+       jg      .L1_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L1_20:\r
+       // Test rest of M\r
+\r
+       testq   $15, M\r
+       jz      .L999\r
+\r
+       testq   $8, M           \r
+       jz      .L1_21pre\r
+       ALIGN_4\r
+\r
+/**************************************************************************/\r
+\r
+.L1_20_1:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_20_6\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_20_2:\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL8x1_1\r
+       KERNEL8x1_2\r
+       KERNEL8x1_3\r
+       KERNEL8x1_4\r
+\r
+       KERNEL8x1_1\r
+       KERNEL8x1_2\r
+       KERNEL8x1_3\r
+       KERNEL8x1_4\r
+\r
+       je      .L1_20_6\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL8x1_1\r
+       KERNEL8x1_2\r
+       KERNEL8x1_3\r
+       KERNEL8x1_4\r
+\r
+       KERNEL8x1_1\r
+       KERNEL8x1_2\r
+       KERNEL8x1_3\r
+       KERNEL8x1_4\r
+\r
+       je      .L1_20_6\r
+\r
+       jmp     .L1_20_2\r
+       ALIGN_4\r
+\r
+.L1_20_6:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_20_9\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_20_7:\r
+\r
+       KERNEL8x1_SUB\r
+\r
+       jl      .L1_20_7\r
+       ALIGN_4\r
+\r
+\r
+.L1_20_9:\r
+\r
+       SAVE8x1\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       ALIGN_4\r
+       \r
+\r
+\r
+/**************************************************************************/\r
+\r
+.L1_21pre:\r
+\r
+       testq   $4, M           \r
+       jz      .L1_30\r
+       ALIGN_4\r
+\r
+.L1_21:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_26\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_22:\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL4x1_1\r
+       KERNEL4x1_2\r
+       KERNEL4x1_3\r
+       KERNEL4x1_4\r
+\r
+       KERNEL4x1_1\r
+       KERNEL4x1_2\r
+       KERNEL4x1_3\r
+       KERNEL4x1_4\r
+\r
+       je      .L1_26\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL4x1_1\r
+       KERNEL4x1_2\r
+       KERNEL4x1_3\r
+       KERNEL4x1_4\r
+\r
+       KERNEL4x1_1\r
+       KERNEL4x1_2\r
+       KERNEL4x1_3\r
+       KERNEL4x1_4\r
+\r
+       je      .L1_26\r
+\r
+       jmp     .L1_22\r
+       ALIGN_4\r
+\r
+.L1_26:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_29\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_27:\r
+\r
+       KERNEL4x1_SUB\r
+\r
+       jl      .L1_27\r
+       ALIGN_4\r
+\r
+\r
+.L1_29:\r
+\r
+       SAVE4x1\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       ALIGN_4\r
+       \r
+\r
+.L1_30:\r
+       testq   $2, M           \r
+       jz      .L1_40\r
+\r
+       ALIGN_4\r
+\r
+.L1_31:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_36\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_32:\r
+\r
+       KERNEL2x1_1\r
+       KERNEL2x1_2\r
+       KERNEL2x1_3\r
+       KERNEL2x1_4\r
+\r
+       KERNEL2x1_1\r
+       KERNEL2x1_2\r
+       KERNEL2x1_3\r
+       KERNEL2x1_4\r
+\r
+       je      .L1_36\r
+\r
+       KERNEL2x1_1\r
+       KERNEL2x1_2\r
+       KERNEL2x1_3\r
+       KERNEL2x1_4\r
+\r
+       KERNEL2x1_1\r
+       KERNEL2x1_2\r
+       KERNEL2x1_3\r
+       KERNEL2x1_4\r
+\r
+       je      .L1_36\r
+\r
+       jmp     .L1_32\r
+       ALIGN_4\r
+\r
+.L1_36:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_39\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+       \r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_37:\r
+\r
+       KERNEL2x1_SUB\r
+\r
+       jl      .L1_37\r
+       ALIGN_4\r
+\r
+\r
+.L1_39:\r
+\r
+       SAVE2x1\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       ALIGN_4\r
+\r
+.L1_40:\r
+       testq   $1, M           \r
+       jz      .L999\r
+\r
+       ALIGN_4\r
+\r
+.L1_41:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_46\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_42:\r
+\r
+       KERNEL1x1_1\r
+       KERNEL1x1_2\r
+       KERNEL1x1_3\r
+       KERNEL1x1_4\r
+\r
+       KERNEL1x1_1\r
+       KERNEL1x1_2\r
+       KERNEL1x1_3\r
+       KERNEL1x1_4\r
+\r
+       je      .L1_46\r
+\r
+       KERNEL1x1_1\r
+       KERNEL1x1_2\r
+       KERNEL1x1_3\r
+       KERNEL1x1_4\r
+\r
+       KERNEL1x1_1\r
+       KERNEL1x1_2\r
+       KERNEL1x1_3\r
+       KERNEL1x1_4\r
+\r
+       je      .L1_46\r
+\r
+       jmp     .L1_42\r
+       ALIGN_4\r
+\r
+.L1_46:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_49\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_47:\r
+\r
+       KERNEL1x1_SUB\r
+\r
+       jl      .L1_47\r
+       ALIGN_4\r
+\r
+\r
+.L1_49:\r
+\r
+       SAVE1x1\r
+\r
+       addq    $1 * SIZE, CO1          # coffset += 1\r
+       ALIGN_4\r
+       \r
+\r
+.L999:\r
+       movq            SP, %rsp\r
+       movq       (%rsp), %rbx\r
+       movq      8(%rsp), %rbp\r
+       movq     16(%rsp), %r12\r
+       movq     24(%rsp), %r13\r
+       movq     32(%rsp), %r14\r
+       movq     40(%rsp), %r15\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq     48(%rsp), %rdi\r
+       movq     56(%rsp), %rsi\r
+       movups   64(%rsp), %xmm6\r
+       movups   80(%rsp), %xmm7\r
+       movups   96(%rsp), %xmm8\r
+       movups  112(%rsp), %xmm9\r
+       movups  128(%rsp), %xmm10\r
+       movups  144(%rsp), %xmm11\r
+       movups  160(%rsp), %xmm12\r
+       movups  176(%rsp), %xmm13\r
+       movups  192(%rsp), %xmm14\r
+       movups  208(%rsp), %xmm15\r
+#endif\r
+\r
+       addq    $STACKSIZE, %rsp\r
+       ret\r
+\r
+       EPILOGUE\r
+\r
+\r
+#else\r
+/*************************************************************************************\r
+* TRMM Kernel\r
+*************************************************************************************/\r
+\r
+\r
+       PROLOGUE\r
+       PROFCODE\r
+       \r
+       subq    $STACKSIZE, %rsp\r
+       movq    %rbx,   (%rsp)\r
+       movq    %rbp,  8(%rsp)\r
+       movq    %r12, 16(%rsp)\r
+       movq    %r13, 24(%rsp)\r
+       movq    %r14, 32(%rsp)\r
+       movq    %r15, 40(%rsp)\r
+\r
+       vzeroupper\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq    %rdi,    48(%rsp)\r
+       movq    %rsi,    56(%rsp)\r
+       movups  %xmm6,   64(%rsp)\r
+       movups  %xmm7,   80(%rsp)\r
+       movups  %xmm8,   96(%rsp)\r
+       movups  %xmm9,  112(%rsp)\r
+       movups  %xmm10, 128(%rsp)\r
+       movups  %xmm11, 144(%rsp)\r
+       movups  %xmm12, 160(%rsp)\r
+       movups  %xmm13, 176(%rsp)\r
+       movups  %xmm14, 192(%rsp)\r
+       movups  %xmm15, 208(%rsp)\r
+\r
+       movq    ARG1,      OLD_M\r
+       movq    ARG2,      OLD_N\r
+       movq    ARG3,      OLD_K\r
+       movq    OLD_A,     A\r
+       movq    OLD_B,     B\r
+       movq    OLD_C,     C\r
+       movq    OLD_LDC,   LDC\r
+#ifdef TRMMKERNEL\r
+       movsd   OLD_OFFSET, %xmm12\r
+#endif\r
+       vmovaps %xmm3, %xmm0\r
+\r
+#else\r
+       movq    STACKSIZE +  8(%rsp), LDC\r
+#ifdef TRMMKERNEL\r
+       movsd   STACKSIZE + 16(%rsp), %xmm12\r
+#endif\r
+\r
+#endif\r
+\r
+       movq    %rsp, SP      # save old stack\r
+        subq    $128 + L_BUFFER_SIZE, %rsp\r
+        andq    $-4096, %rsp    # align stack\r
+\r
+        STACK_TOUCH\r
+\r
+       cmpq    $0, OLD_M\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_N\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_K\r
+       je      .L999\r
+\r
+       movq    OLD_M, M\r
+       movq    OLD_N, N\r
+       movq    OLD_K, K\r
+\r
+       vmovsd   %xmm0, ALPHA\r
+\r
+       salq    $BASE_SHIFT, LDC\r
+\r
+       movq    N, %rax\r
+        xorq    %rdx, %rdx\r
+        movq    $2,  %rdi\r
+        divq    %rdi                    //    N / 6\r
+        movq    %rax, Ndiv6             //    N / 6\r
+        movq    %rdx, Nmod6             //    N % 6\r
+\r
+       \r
+\r
+#ifdef TRMMKERNEL\r
+       vmovsd  %xmm12, OFFSET\r
+       vmovsd  %xmm12, KK\r
+#ifndef LEFT\r
+       negq    KK\r
+#endif \r
+#endif\r
+\r
+       movq    Ndiv6,  J\r
+       cmpq    $0, J\r
+       je      .L1_0\r
+       ALIGN_4\r
+\r
+.L2_01:\r
+       // copy to sub buffer\r
+       movq    B, BO1\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       movq    K, %rax\r
+       sarq    $2, %rax                // K / 4\r
+       jz      .L2_01b\r
+       ALIGN_4\r
+\r
+.L2_01a:\r
+        prefetcht0 512(BO1)\r
+        prefetchw  512(BO)\r
+\r
+       vmovups       (BO1), %xmm0\r
+       vmovups 2*SIZE(BO1), %xmm1\r
+       vmovups 4*SIZE(BO1), %xmm2\r
+       vmovups 6*SIZE(BO1), %xmm3\r
+\r
+       vmovups %xmm0,       (BO)\r
+       vmovups %xmm1, 2*SIZE(BO)\r
+       vmovups %xmm2, 4*SIZE(BO)\r
+       vmovups %xmm3, 6*SIZE(BO)\r
+\r
+       addq    $8*SIZE,BO1\r
+       addq    $8*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L2_01a\r
+\r
+\r
+.L2_01b:\r
+\r
+        movq    K, %rax\r
+        andq    $3, %rax                // K % 4\r
+        jz      .L2_02d\r
+        ALIGN_4\r
+\r
+.L2_02c:\r
+\r
+       vmovups (BO1), %xmm0\r
+       vmovups %xmm0, (BO)\r
+       addq    $2*SIZE,BO1\r
+       addq    $2*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L2_02c\r
+\r
+.L2_02d:\r
+\r
+       movq    BO1, B                  // next offset of B\r
+\r
+.L2_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 2), C          // c += 2 * ldc\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        movq    OFFSET, %rax\r
+        movq    %rax, KK\r
+#endif\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $32 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $4, I                   // i = (m >> 4)\r
+       je      .L2_20\r
+\r
+       ALIGN_4\r
+\r
+.L2_11:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $16, %rax      // number of values in AO\r
+#else\r
+        addq    $2, %rax       // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L2_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_12:\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL16x2_1\r
+       KERNEL16x2_2\r
+       KERNEL16x2_3\r
+       KERNEL16x2_4\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL16x2_1\r
+       KERNEL16x2_2\r
+       KERNEL16x2_3\r
+       KERNEL16x2_4\r
+\r
+       je      .L2_16\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL16x2_1\r
+       KERNEL16x2_2\r
+       KERNEL16x2_3\r
+       KERNEL16x2_4\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL16x2_1\r
+       KERNEL16x2_2\r
+       KERNEL16x2_3\r
+       KERNEL16x2_4\r
+\r
+       je      .L2_16\r
+\r
+       jmp     .L2_12\r
+       ALIGN_4\r
+\r
+.L2_16:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_17:\r
+\r
+       KERNEL16x2_SUB\r
+\r
+       jl      .L2_17\r
+       ALIGN_4\r
+\r
+\r
+.L2_19:\r
+\r
+       SAVE16x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $16, KK                                \r
+#endif\r
+\r
+       addq    $16 * SIZE, CO1         # coffset += 16\r
+       decq    I                       # i --\r
+       jg      .L2_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L2_20:\r
+       // Test rest of M\r
+\r
+       testq   $15, M\r
+       jz      .L2_60          // to next 3 lines of N\r
+\r
+       testq   $8, M           \r
+       jz      .L2_21pre\r
+       ALIGN_4\r
+\r
+/**************************************************************************/\r
+\r
+.L2_20_1:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $8, %rax        // number of values in A\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_20_6\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_20_2:\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL8x2_1\r
+       KERNEL8x2_2\r
+       KERNEL8x2_3\r
+       KERNEL8x2_4\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL8x2_1\r
+       KERNEL8x2_2\r
+       KERNEL8x2_3\r
+       KERNEL8x2_4\r
+\r
+       je      .L2_20_6\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL8x2_1\r
+       KERNEL8x2_2\r
+       KERNEL8x2_3\r
+       KERNEL8x2_4\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL8x2_1\r
+       KERNEL8x2_2\r
+       KERNEL8x2_3\r
+       KERNEL8x2_4\r
+\r
+       je      .L2_20_6\r
+\r
+       jmp     .L2_20_2\r
+       ALIGN_4\r
+\r
+.L2_20_6:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_20_9\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_20_7:\r
+\r
+       KERNEL8x2_SUB\r
+\r
+       jl      .L2_20_7\r
+       ALIGN_4\r
+\r
+\r
+.L2_20_9:\r
+\r
+       SAVE8x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO         \r
+        salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $8, KK\r
+#endif\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       ALIGN_4\r
+       \r
+\r
+\r
+/**************************************************************************/\r
+\r
+.L2_21pre:\r
+\r
+       testq   $4, M           \r
+       jz      .L2_30\r
+       ALIGN_4\r
+\r
+.L2_21:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $4, %rax        // number of values in A\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_26\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 1 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_22:\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL4x2_1\r
+       KERNEL4x2_2\r
+       KERNEL4x2_3\r
+       KERNEL4x2_4\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL4x2_1\r
+       KERNEL4x2_2\r
+       KERNEL4x2_3\r
+       KERNEL4x2_4\r
+\r
+       je      .L2_26\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL4x2_1\r
+       KERNEL4x2_2\r
+       KERNEL4x2_3\r
+       KERNEL4x2_4\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL4x2_1\r
+       KERNEL4x2_2\r
+       KERNEL4x2_3\r
+       KERNEL4x2_4\r
+\r
+       je      .L2_26\r
+\r
+       jmp     .L2_22\r
+       ALIGN_4\r
+\r
+.L2_26:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_29\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_27:\r
+\r
+       KERNEL4x2_SUB\r
+\r
+       jl      .L2_27\r
+       ALIGN_4\r
+\r
+\r
+.L2_29:\r
+\r
+       SAVE4x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO         \r
+        salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $4, KK\r
+#endif\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       ALIGN_4\r
+       \r
+\r
+.L2_30:\r
+       testq   $2, M           \r
+       jz      .L2_40\r
+\r
+       ALIGN_4\r
+\r
+.L2_31:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $2, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_36\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_32:\r
+\r
+       KERNEL2x2_1\r
+       KERNEL2x2_2\r
+       KERNEL2x2_3\r
+       KERNEL2x2_4\r
+\r
+       KERNEL2x2_1\r
+       KERNEL2x2_2\r
+       KERNEL2x2_3\r
+       KERNEL2x2_4\r
+\r
+       je      .L2_36\r
+\r
+       KERNEL2x2_1\r
+       KERNEL2x2_2\r
+       KERNEL2x2_3\r
+       KERNEL2x2_4\r
+\r
+       KERNEL2x2_1\r
+       KERNEL2x2_2\r
+       KERNEL2x2_3\r
+       KERNEL2x2_4\r
+\r
+       je      .L2_36\r
+\r
+       jmp     .L2_32\r
+       ALIGN_4\r
+\r
+.L2_36:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_39\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+       \r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_37:\r
+\r
+       KERNEL2x2_SUB\r
+\r
+       jl      .L2_37\r
+       ALIGN_4\r
+\r
+\r
+.L2_39:\r
+\r
+       SAVE2x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO         \r
+        salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $2, KK\r
+#endif\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       ALIGN_4\r
+\r
+.L2_40:\r
+       testq   $1, M           \r
+       jz      .L2_60          // to next 2 lines of N\r
+\r
+       ALIGN_4\r
+\r
+.L2_41:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $1, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_46\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_42:\r
+\r
+       KERNEL1x2_1\r
+       KERNEL1x2_2\r
+       KERNEL1x2_3\r
+       KERNEL1x2_4\r
+\r
+       KERNEL1x2_1\r
+       KERNEL1x2_2\r
+       KERNEL1x2_3\r
+       KERNEL1x2_4\r
+\r
+       je      .L2_46\r
+\r
+       KERNEL1x2_1\r
+       KERNEL1x2_2\r
+       KERNEL1x2_3\r
+       KERNEL1x2_4\r
+\r
+       KERNEL1x2_1\r
+       KERNEL1x2_2\r
+       KERNEL1x2_3\r
+       KERNEL1x2_4\r
+\r
+       je      .L2_46\r
+\r
+       jmp     .L2_42\r
+       ALIGN_4\r
+\r
+.L2_46:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_49\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_47:\r
+\r
+       KERNEL1x2_SUB\r
+\r
+       jl      .L2_47\r
+       ALIGN_4\r
+\r
+\r
+.L2_49:\r
+\r
+       SAVE1x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO         \r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $1, KK\r
+#endif\r
+\r
+       addq    $1 * SIZE, CO1          # coffset += 1\r
+       ALIGN_4\r
+       \r
+\r
+\r
+\r
+       \r
+.L2_60:\r
+#if defined(TRMMKERNEL) && !defined(LEFT)\r
+        addq    $2, KK\r
+#endif\r
+\r
+       decq    J                       // j --\r
+       jg      .L2_01                  // next 2 lines of N\r
+\r
+\r
+\r
+.L1_0:\r
+\r
+/************************************************************************************************\r
+* Loop for Nmod6 % 2 > 0\r
+*************************************************************************************************/\r
+\r
+       movq    Nmod6, J                \r
+       andq    $1, J                   // j % 2\r
+       je      .L999\r
+       ALIGN_4\r
+\r
+.L1_01:\r
+       // copy to sub buffer\r
+       movq    B, BO1\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       movq    K, %rax\r
+       ALIGN_4\r
+\r
+.L1_02b:\r
+\r
+       vmovsd  (BO1), %xmm0\r
+       vmovsd  %xmm0,       (BO)\r
+       addq    $1*SIZE,BO1\r
+       addq    $1*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L1_02b\r
+\r
+.L1_02c:\r
+\r
+       movq    BO1, B                  // next offset of B\r
+\r
+.L1_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 1), C          // c += 1 * ldc\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        movq    OFFSET, %rax\r
+        movq    %rax, KK\r
+#endif\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $32 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $4, I                   // i = (m >> 4)\r
+       je      .L1_20\r
+\r
+       ALIGN_4\r
+\r
+.L1_11:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $16, %rax      // number of values in AO\r
+#else\r
+        addq    $1, %rax       // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L1_16\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_12:\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL16x1_1\r
+       KERNEL16x1_2\r
+       KERNEL16x1_3\r
+       KERNEL16x1_4\r
+\r
+       KERNEL16x1_1\r
+       KERNEL16x1_2\r
+       KERNEL16x1_3\r
+       KERNEL16x1_4\r
+\r
+       je      .L1_16\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL16x1_1\r
+       KERNEL16x1_2\r
+       KERNEL16x1_3\r
+       KERNEL16x1_4\r
+\r
+       KERNEL16x1_1\r
+       KERNEL16x1_2\r
+       KERNEL16x1_3\r
+       KERNEL16x1_4\r
+\r
+       je      .L1_16\r
+\r
+       jmp     .L1_12\r
+       ALIGN_4\r
+\r
+.L1_16:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_17:\r
+\r
+       KERNEL16x1_SUB\r
+\r
+       jl      .L1_17\r
+       ALIGN_4\r
+\r
+\r
+.L1_19:\r
+\r
+       SAVE16x1\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $16, KK                                \r
+#endif\r
+\r
+       addq    $16 * SIZE, CO1         # coffset += 16\r
+       decq    I                       # i --\r
+       jg      .L1_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L1_20:\r
+       // Test rest of M\r
+\r
+       testq   $15, M\r
+       jz      .L999\r
+\r
+       testq   $8, M           \r
+       jz      .L1_21pre\r
+       ALIGN_4\r
+\r
+/**************************************************************************/\r
+\r
+.L1_20_1:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $8, %rax        // number of values in A\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_20_6\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_20_2:\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL8x1_1\r
+       KERNEL8x1_2\r
+       KERNEL8x1_3\r
+       KERNEL8x1_4\r
+\r
+       KERNEL8x1_1\r
+       KERNEL8x1_2\r
+       KERNEL8x1_3\r
+       KERNEL8x1_4\r
+\r
+       je      .L1_20_6\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL8x1_1\r
+       KERNEL8x1_2\r
+       KERNEL8x1_3\r
+       KERNEL8x1_4\r
+\r
+       KERNEL8x1_1\r
+       KERNEL8x1_2\r
+       KERNEL8x1_3\r
+       KERNEL8x1_4\r
+\r
+       je      .L1_20_6\r
+\r
+       jmp     .L1_20_2\r
+       ALIGN_4\r
+\r
+.L1_20_6:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_20_9\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_20_7:\r
+\r
+       KERNEL8x1_SUB\r
+\r
+       jl      .L1_20_7\r
+       ALIGN_4\r
+\r
+\r
+.L1_20_9:\r
+\r
+       SAVE8x1\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO         \r
+        salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $8, KK\r
+#endif\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       ALIGN_4\r
+       \r
+\r
+\r
+/**************************************************************************/\r
+\r
+.L1_21pre:\r
+\r
+       testq   $4, M           \r
+       jz      .L1_30\r
+       ALIGN_4\r
+\r
+.L1_21:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $4, %rax        // number of values in A\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_26\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_22:\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL4x1_1\r
+       KERNEL4x1_2\r
+       KERNEL4x1_3\r
+       KERNEL4x1_4\r
+\r
+       KERNEL4x1_1\r
+       KERNEL4x1_2\r
+       KERNEL4x1_3\r
+       KERNEL4x1_4\r
+\r
+       je      .L1_26\r
+\r
+       prefetcht0      B_PR1(BO,BI,8)\r
+       KERNEL4x1_1\r
+       KERNEL4x1_2\r
+       KERNEL4x1_3\r
+       KERNEL4x1_4\r
+\r
+       KERNEL4x1_1\r
+       KERNEL4x1_2\r
+       KERNEL4x1_3\r
+       KERNEL4x1_4\r
+\r
+       je      .L1_26\r
+\r
+       jmp     .L1_22\r
+       ALIGN_4\r
+\r
+.L1_26:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_29\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_27:\r
+\r
+       KERNEL4x1_SUB\r
+\r
+       jl      .L1_27\r
+       ALIGN_4\r
+\r
+\r
+.L1_29:\r
+\r
+       SAVE4x1\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO         \r
+        salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $4, KK\r
+#endif\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       ALIGN_4\r
+       \r
+\r
+.L1_30:\r
+       testq   $2, M           \r
+       jz      .L1_40\r
+\r
+       ALIGN_4\r
+\r
+.L1_31:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $2, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_36\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_32:\r
+\r
+       KERNEL2x1_1\r
+       KERNEL2x1_2\r
+       KERNEL2x1_3\r
+       KERNEL2x1_4\r
+\r
+       KERNEL2x1_1\r
+       KERNEL2x1_2\r
+       KERNEL2x1_3\r
+       KERNEL2x1_4\r
+\r
+       je      .L1_36\r
+\r
+       KERNEL2x1_1\r
+       KERNEL2x1_2\r
+       KERNEL2x1_3\r
+       KERNEL2x1_4\r
+\r
+       KERNEL2x1_1\r
+       KERNEL2x1_2\r
+       KERNEL2x1_3\r
+       KERNEL2x1_4\r
+\r
+       je      .L1_36\r
+\r
+       jmp     .L1_32\r
+       ALIGN_4\r
+\r
+.L1_36:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_39\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+       \r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_37:\r
+\r
+       KERNEL2x1_SUB\r
+\r
+       jl      .L1_37\r
+       ALIGN_4\r
+\r
+\r
+.L1_39:\r
+\r
+       SAVE2x1\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO         \r
+        salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $2, KK\r
+#endif\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       ALIGN_4\r
+\r
+.L1_40:\r
+       testq   $1, M           \r
+       jz      .L999\r
+\r
+       ALIGN_4\r
+\r
+.L1_41:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $1, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_46\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_42:\r
+\r
+       KERNEL1x1_1\r
+       KERNEL1x1_2\r
+       KERNEL1x1_3\r
+       KERNEL1x1_4\r
+\r
+       KERNEL1x1_1\r
+       KERNEL1x1_2\r
+       KERNEL1x1_3\r
+       KERNEL1x1_4\r
+\r
+       je      .L1_46\r
+\r
+       KERNEL1x1_1\r
+       KERNEL1x1_2\r
+       KERNEL1x1_3\r
+       KERNEL1x1_4\r
+\r
+       KERNEL1x1_1\r
+       KERNEL1x1_2\r
+       KERNEL1x1_3\r
+       KERNEL1x1_4\r
+\r
+       je      .L1_46\r
+\r
+       jmp     .L1_42\r
+       ALIGN_4\r
+\r
+.L1_46:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_49\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_47:\r
+\r
+       KERNEL1x1_SUB\r
+\r
+       jl      .L1_47\r
+       ALIGN_4\r
+\r
+\r
+.L1_49:\r
+\r
+       SAVE1x1\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO         \r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $1, KK\r
+#endif\r
+\r
+       addq    $1 * SIZE, CO1          # coffset += 1\r
+       ALIGN_4\r
+       \r
+\r
+.L999:\r
+       movq            SP, %rsp\r
+       movq       (%rsp), %rbx\r
+       movq      8(%rsp), %rbp\r
+       movq     16(%rsp), %r12\r
+       movq     24(%rsp), %r13\r
+       movq     32(%rsp), %r14\r
+       movq     40(%rsp), %r15\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq     48(%rsp), %rdi\r
+       movq     56(%rsp), %rsi\r
+       movups   64(%rsp), %xmm6\r
+       movups   80(%rsp), %xmm7\r
+       movups   96(%rsp), %xmm8\r
+       movups  112(%rsp), %xmm9\r
+       movups  128(%rsp), %xmm10\r
+       movups  144(%rsp), %xmm11\r
+       movups  160(%rsp), %xmm12\r
+       movups  176(%rsp), %xmm13\r
+       movups  192(%rsp), %xmm14\r
+       movups  208(%rsp), %xmm15\r
+#endif\r
+\r
+       addq    $STACKSIZE, %rsp\r
+       ret\r
+\r
+       EPILOGUE\r
+\r
+\r
+\r
+\r
+\r
+#endif\r
diff --git a/kernel/x86_64/dgemm_kernel_4x4_haswell.S b/kernel/x86_64/dgemm_kernel_4x4_haswell.S
new file mode 100644 (file)
index 0000000..1bfb715
--- /dev/null
@@ -0,0 +1,3479 @@
+/*********************************************************************************\r
+Copyright (c) 2013, The OpenBLAS Project\r
+All rights reserved.\r
+Redistribution and use in source and binary forms, with or without\r
+modification, are permitted provided that the following conditions are\r
+met:\r
+1. Redistributions of source code must retain the above copyright\r
+notice, this list of conditions and the following disclaimer.\r
+2. Redistributions in binary form must reproduce the above copyright\r
+notice, this list of conditions and the following disclaimer in\r
+the documentation and/or other materials provided with the\r
+distribution.\r
+3. Neither the name of the OpenBLAS project nor the names of\r
+its contributors may be used to endorse or promote products\r
+derived from this software without specific prior written permission.\r
+THIS SOFTWARE IS PROVIDED BY THE COPYRIGHT HOLDERS AND CONTRIBUTORS "AS IS"\r
+AND ANY EXPRESS OR IMPLIED WARRANTIES, INCLUDING, BUT NOT LIMITED TO, THE\r
+IMPLIED WARRANTIES OF MERCHANTABILITY AND FITNESS FOR A PARTICULAR PURPOSE\r
+ARE DISCLAIMED. IN NO EVENT SHALL THE OPENBLAS PROJECT OR CONTRIBUTORS BE\r
+LIABLE FOR ANY DIRECT, INDIRECT, INCIDENTAL, SPECIAL, EXEMPLARY, OR CONSEQUENTIAL\r
+DAMAGES (INCLUDING, BUT NOT LIMITED TO, PROCUREMENT OF SUBSTITUTE GOODS OR\r
+SERVICES; LOSS OF USE, DATA, OR PROFITS; OR BUSINESS INTERRUPTION) HOWEVER\r
+CAUSED AND ON ANY THEORY OF LIABILITY, WHETHER IN CONTRACT, STRICT LIABILITY,\r
+OR TORT (INCLUDING NEGLIGENCE OR OTHERWISE) ARISING IN ANY WAY OUT OF THE\r
+USE OF THIS SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF SUCH DAMAGE.\r
+**********************************************************************************/\r
+\r
+\r
+/*********************************************************************\r
+* 2013/10/28 Saar\r
+*        BLASTEST               : OK\r
+*        CTEST                  : OK\r
+*        TEST                   : OK\r
+\r
+*\r
+*\r
+* 2013/10/27 Saar\r
+* Parameter:\r
+*       DGEMM_DEFAULT_UNROLL_N  4\r
+*       DGEMM_DEFAULT_UNROLL_M  4\r
+*       DGEMM_DEFAULT_P         512\r
+*       DGEMM_DEFAULT_Q         256\r
+*      A_PR1                   512\r
+*      B_PR1                   512\r
+*\r
+*\r
+* Performance at 9216x9216x9216:\r
+*       1 thread:       53.3 GFLOPS (MKL:  54)\r
+*       2 threads:     100.0 GFLOPS (MKL:  97)\r
+*       3 threads:     147.0 GFLOPS (MKL: 133)\r
+*       4 threads:     184.0 GFLOPS (MKL: 170)\r
+*********************************************************************/\r
+\r
+\r
+#define ASSEMBLER\r
+#include "common.h"\r
\r
+#define OLD_M  %rdi\r
+#define OLD_N  %rsi\r
+#define M      %r13\r
+#define J      %r14\r
+#define OLD_K  %rdx\r
+\r
+#define A      %rcx\r
+#define B      %r8\r
+#define C      %r9\r
+#define LDC    %r10\r
+       \r
+#define I      %r11\r
+#define AO     %rdi\r
+#define BO     %rsi\r
+#define        CO1     %r15\r
+#define K      %r12\r
+#define        SP      %rbx\r
+\r
+#define BO1    %rdi\r
+#define BO2    %r15\r
+#define BO3    %rbp\r
+\r
+#ifndef WINDOWS_ABI\r
+\r
+#define STACKSIZE 96\r
+\r
+#else\r
+\r
+#define STACKSIZE 256\r
+\r
+#define OLD_A          40 + STACKSIZE(%rsp)\r
+#define OLD_B          48 + STACKSIZE(%rsp)\r
+#define OLD_C          56 + STACKSIZE(%rsp)\r
+#define OLD_LDC                64 + STACKSIZE(%rsp)\r
+#define OLD_OFFSET     72 + STACKSIZE(%rsp)\r
+\r
+#endif\r
+\r
+#define L_BUFFER_SIZE 512*8*12\r
+\r
+#define Ndiv12  24(%rsp)\r
+#define Nmod12  32(%rsp)\r
+#define N       40(%rsp)\r
+#define ALPHA   48(%rsp)\r
+#define OFFSET  56(%rsp)\r
+#define KK      64(%rsp)\r
+#define KKK     72(%rsp)\r
+#define BUFFER1                   128(%rsp)\r
+\r
+#if defined(OS_WINDOWS)\r
+#if   L_BUFFER_SIZE > 16384\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 4(%rsp);\\r
+        movl    $0,  4096 * 3(%rsp);\\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 12288\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 3(%rsp);\\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 8192\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 4096\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 1(%rsp);\r
+#else\r
+#define STACK_TOUCH\r
+#endif\r
+#else\r
+#define STACK_TOUCH\r
+#endif\r
+\r
+#define        A_PR1   512\r
+#define        B_PR1   512\r
+\r
+/*******************************************************************************************\r
+* Macro definitions\r
+*******************************************************************************************/\r
+\r
+.macro INIT4x12\r
+\r
+       vxorpd          %ymm4 , %ymm4 , %ymm4\r
+       vxorpd          %ymm5 , %ymm5 , %ymm5\r
+       vxorpd          %ymm6 , %ymm6 , %ymm6\r
+       vxorpd          %ymm7 , %ymm7 , %ymm7\r
+       vxorpd          %ymm8 , %ymm8 , %ymm8\r
+       vxorpd          %ymm9 , %ymm9 , %ymm9\r
+       vxorpd          %ymm10, %ymm10, %ymm10\r
+       vxorpd          %ymm11, %ymm11, %ymm11\r
+       vxorpd          %ymm12, %ymm12, %ymm12\r
+       vxorpd          %ymm13, %ymm13, %ymm13\r
+       vxorpd          %ymm14, %ymm14, %ymm14\r
+       vxorpd          %ymm15, %ymm15, %ymm15\r
+\r
+.endm\r
+\r
+.macro KERNEL4x12_I\r
+       prefetcht0      A_PR1(AO)\r
+       vmovups         -12 * SIZE(BO), %ymm1\r
+       prefetcht0      B_PR1(BO)\r
+       vmovups         -16 * SIZE(AO), %ymm0\r
+       prefetcht0      B_PR1+64(BO)\r
+       vmovups          -8 * SIZE(BO), %ymm2\r
+       prefetcht0      B_PR1+128(BO)\r
+       vmovups          -4 * SIZE(BO), %ymm3\r
+       vmulpd          %ymm0 ,%ymm1  , %ymm4\r
+       prefetcht0      B_PR1+192(BO)\r
+       vmulpd          %ymm0 ,%ymm2  , %ymm8\r
+       vmulpd          %ymm0 ,%ymm3  , %ymm12\r
+       prefetcht0      B_PR1+256(BO)\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vmulpd          %ymm0 ,%ymm1  , %ymm5\r
+       vmulpd          %ymm0 ,%ymm2  , %ymm9\r
+       vmulpd          %ymm0 ,%ymm3  , %ymm13\r
+       vpermpd         $0x1b, %ymm0  , %ymm0\r
+       vmulpd          %ymm0 ,%ymm1  , %ymm6\r
+       vmulpd          %ymm0 ,%ymm2  , %ymm10\r
+\r
+       addq            $12*SIZE, BO\r
+       vmulpd          %ymm0 ,%ymm3  , %ymm14\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vmulpd          %ymm0 ,%ymm1  , %ymm7\r
+       vmovups         -12 * SIZE(BO), %ymm1\r
+       vmulpd          %ymm0 ,%ymm2  , %ymm11\r
+       vmovups          -8 * SIZE(BO), %ymm2\r
+       vmulpd          %ymm0 ,%ymm3  , %ymm15\r
+       vmovups          -4 * SIZE(BO), %ymm3\r
+\r
+.endm\r
+\r
+.macro KERNEL4x12_M1\r
+       prefetcht0      A_PR1(AO)\r
+       vmovups         -16 * SIZE(AO), %ymm0\r
+       prefetcht0      B_PR1(BO)\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm4\r
+       prefetcht0      B_PR1+64(BO)\r
+       vfmadd231pd     %ymm0 ,%ymm2  , %ymm8\r
+       prefetcht0      B_PR1+128(BO)\r
+       vfmadd231pd     %ymm0 ,%ymm3  , %ymm12\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm5\r
+       vfmadd231pd     %ymm0 ,%ymm2  , %ymm9\r
+       vfmadd231pd     %ymm0 ,%ymm3  , %ymm13\r
+       vpermpd         $0x1b, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm6\r
+       vfmadd231pd     %ymm0 ,%ymm2  , %ymm10\r
+\r
+       vfmadd231pd     %ymm0 ,%ymm3  , %ymm14\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm7\r
+       vmovups         -12 * SIZE(BO), %ymm1\r
+       vfmadd231pd     %ymm0 ,%ymm2  , %ymm11\r
+       vmovups          -8 * SIZE(BO), %ymm2\r
+       vfmadd231pd     %ymm0 ,%ymm3  , %ymm15\r
+       vmovups          -4 * SIZE(BO), %ymm3\r
+\r
+.endm\r
+\r
+.macro KERNEL4x12_M2\r
+       vmovups         -12 * SIZE(AO), %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm4\r
+       vfmadd231pd     %ymm0 ,%ymm2  , %ymm8\r
+       vfmadd231pd     %ymm0 ,%ymm3  , %ymm12\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm5\r
+       vfmadd231pd     %ymm0 ,%ymm2  , %ymm9\r
+       vfmadd231pd     %ymm0 ,%ymm3  , %ymm13\r
+       vpermpd         $0x1b, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm6\r
+       vfmadd231pd     %ymm0 ,%ymm2  , %ymm10\r
+\r
+       addq            $8*SIZE, AO\r
+       vfmadd231pd     %ymm0 ,%ymm3  , %ymm14\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm7\r
+       vmovups           0 * SIZE(BO), %ymm1\r
+       vfmadd231pd     %ymm0 ,%ymm2  , %ymm11\r
+       vmovups           4 * SIZE(BO), %ymm2\r
+       vfmadd231pd     %ymm0 ,%ymm3  , %ymm15\r
+       vmovups           8 * SIZE(BO), %ymm3\r
+       addq            $24*SIZE, BO\r
+.endm\r
+\r
+\r
+.macro KERNEL4x12_E\r
+       vmovups         -12 * SIZE(AO), %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm4\r
+       vfmadd231pd     %ymm0 ,%ymm2  , %ymm8\r
+       vfmadd231pd     %ymm0 ,%ymm3  , %ymm12\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm5\r
+       vfmadd231pd     %ymm0 ,%ymm2  , %ymm9\r
+       vfmadd231pd     %ymm0 ,%ymm3  , %ymm13\r
+       vpermpd         $0x1b, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm6\r
+       vfmadd231pd     %ymm0 ,%ymm2  , %ymm10\r
+\r
+       addq            $8*SIZE, AO\r
+       vfmadd231pd     %ymm0 ,%ymm3  , %ymm14\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm7\r
+       vfmadd231pd     %ymm0 ,%ymm2  , %ymm11\r
+       vfmadd231pd     %ymm0 ,%ymm3  , %ymm15\r
+       addq            $12*SIZE, BO\r
+.endm\r
+\r
+.macro KERNEL4x12_SUB\r
+       vmovups         -12 * SIZE(BO), %ymm1\r
+       vmovups         -16 * SIZE(AO), %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm4\r
+       vmovups          -8 * SIZE(BO), %ymm2\r
+       vfmadd231pd     %ymm0 ,%ymm2  , %ymm8\r
+       vmovups          -4 * SIZE(BO), %ymm3\r
+       vfmadd231pd     %ymm0 ,%ymm3  , %ymm12\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm5\r
+       vfmadd231pd     %ymm0 ,%ymm2  , %ymm9\r
+       addq            $12*SIZE, BO\r
+       vfmadd231pd     %ymm0 ,%ymm3  , %ymm13\r
+       vpermpd         $0x1b, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm6\r
+       vfmadd231pd     %ymm0 ,%ymm2  , %ymm10\r
+       addq            $4*SIZE, AO\r
+       vfmadd231pd     %ymm0 ,%ymm3  , %ymm14\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm7\r
+       vfmadd231pd     %ymm0 ,%ymm2  , %ymm11\r
+       vfmadd231pd     %ymm0 ,%ymm3  , %ymm15\r
+\r
+.endm\r
+\r
+\r
+.macro SAVE4x12\r
+\r
+       vbroadcastsd    ALPHA, %ymm0\r
+\r
+       vmulpd  %ymm0 , %ymm4 , %ymm4\r
+       vmulpd  %ymm0 , %ymm5 , %ymm5\r
+       vmulpd  %ymm0 , %ymm6 , %ymm6\r
+       vmulpd  %ymm0 , %ymm7 , %ymm7\r
+\r
+       vmulpd  %ymm0 , %ymm8 , %ymm8\r
+       vmulpd  %ymm0 , %ymm9 , %ymm9\r
+       vmulpd  %ymm0 , %ymm10, %ymm10\r
+       vmulpd  %ymm0 , %ymm11, %ymm11\r
+\r
+       vmulpd  %ymm0 , %ymm12, %ymm12\r
+       vmulpd  %ymm0 , %ymm13, %ymm13\r
+       vmulpd  %ymm0 , %ymm14, %ymm14\r
+       vmulpd  %ymm0 , %ymm15, %ymm15\r
+\r
+       vpermpd $0xb1 , %ymm5, %ymm5\r
+       vpermpd $0xb1 , %ymm7, %ymm7\r
+\r
+       vblendpd $0x0a, %ymm5, %ymm4, %ymm0\r
+       vblendpd $0x05, %ymm5, %ymm4, %ymm1\r
+       vblendpd $0x0a, %ymm7, %ymm6, %ymm2\r
+       vblendpd $0x05, %ymm7, %ymm6, %ymm3\r
+\r
+       vpermpd $0x1b , %ymm2, %ymm2\r
+       vpermpd $0x1b , %ymm3, %ymm3\r
+       vpermpd $0xb1 , %ymm2, %ymm2\r
+       vpermpd $0xb1 , %ymm3, %ymm3\r
+\r
+       vblendpd $0x03, %ymm0, %ymm2 , %ymm4\r
+       vblendpd $0x03, %ymm1, %ymm3 , %ymm5\r
+       vblendpd $0x03, %ymm2, %ymm0 , %ymm6\r
+       vblendpd $0x03, %ymm3, %ymm1 , %ymm7\r
+\r
+        leaq    (CO1, LDC, 2), %rax     \r
+       \r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd                  (CO1), %ymm4, %ymm4\r
+       vaddpd             (CO1, LDC), %ymm5, %ymm5\r
+       vaddpd                 (%rax), %ymm6, %ymm6\r
+       vaddpd            (%rax, LDC), %ymm7, %ymm7\r
+\r
+#endif\r
+\r
+       vmovups %ymm4 ,         (CO1)\r
+       vmovups %ymm5 ,         (CO1, LDC)\r
+       vmovups %ymm6 ,         (%rax)\r
+       vmovups %ymm7 ,         (%rax, LDC)\r
+\r
+       prefetcht0      32(CO1)\r
+       prefetcht0      32(CO1,LDC)\r
+       prefetcht0      32(%rax)\r
+       prefetcht0      32(%rax,LDC)\r
+\r
+       vpermpd $0xb1 , %ymm9 , %ymm9\r
+       vpermpd $0xb1 , %ymm11, %ymm11\r
+\r
+       vblendpd $0x0a, %ymm9 , %ymm8 , %ymm0\r
+       vblendpd $0x05, %ymm9 , %ymm8 , %ymm1\r
+       vblendpd $0x0a, %ymm11, %ymm10, %ymm2\r
+       vblendpd $0x05, %ymm11, %ymm10, %ymm3\r
+\r
+       vpermpd $0x1b , %ymm2, %ymm2\r
+       vpermpd $0x1b , %ymm3, %ymm3\r
+       vpermpd $0xb1 , %ymm2, %ymm2\r
+       vpermpd $0xb1 , %ymm3, %ymm3\r
+\r
+       vblendpd $0x03, %ymm0, %ymm2 , %ymm4\r
+       vblendpd $0x03, %ymm1, %ymm3 , %ymm5\r
+       vblendpd $0x03, %ymm2, %ymm0 , %ymm6\r
+       vblendpd $0x03, %ymm3, %ymm1 , %ymm7\r
+\r
+\r
+       leaq    (%rax, LDC, 2), %rax\r
+       leaq    (%rax, LDC, 2), %rbp\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd                  (%rax), %ymm4, %ymm4\r
+       vaddpd             (%rax, LDC), %ymm5, %ymm5\r
+       vaddpd                  (%rbp), %ymm6, %ymm6\r
+       vaddpd             (%rbp, LDC), %ymm7, %ymm7\r
+\r
+#endif\r
+\r
+       vmovups %ymm4 ,         (%rax)\r
+       vmovups %ymm5 ,         (%rax, LDC)\r
+       vmovups %ymm6 ,         (%rbp)\r
+       vmovups %ymm7 ,         (%rbp, LDC)\r
+\r
+       prefetcht0      32(%rax)\r
+       prefetcht0      32(%rax,LDC)\r
+       prefetcht0      32(%rbp)\r
+       prefetcht0      32(%rbp,LDC)\r
+\r
+       vpermpd $0xb1 , %ymm13, %ymm13\r
+       vpermpd $0xb1 , %ymm15, %ymm15\r
+\r
+       vblendpd $0x0a, %ymm13, %ymm12, %ymm0\r
+       vblendpd $0x05, %ymm13, %ymm12, %ymm1\r
+       vblendpd $0x0a, %ymm15, %ymm14, %ymm2\r
+       vblendpd $0x05, %ymm15, %ymm14, %ymm3\r
+\r
+       vpermpd $0x1b , %ymm2, %ymm2\r
+       vpermpd $0x1b , %ymm3, %ymm3\r
+       vpermpd $0xb1 , %ymm2, %ymm2\r
+       vpermpd $0xb1 , %ymm3, %ymm3\r
+\r
+       vblendpd $0x03, %ymm0, %ymm2 , %ymm4\r
+       vblendpd $0x03, %ymm1, %ymm3 , %ymm5\r
+       vblendpd $0x03, %ymm2, %ymm0 , %ymm6\r
+       vblendpd $0x03, %ymm3, %ymm1 , %ymm7\r
+\r
+\r
+       leaq    (%rax, LDC, 4), %rax\r
+       leaq    (%rbp, LDC, 4), %rbp\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd                  (%rax), %ymm4, %ymm4\r
+       vaddpd             (%rax, LDC), %ymm5, %ymm5\r
+       vaddpd                  (%rbp), %ymm6, %ymm6\r
+       vaddpd             (%rbp, LDC), %ymm7, %ymm7\r
+\r
+#endif\r
+\r
+       vmovups %ymm4 ,         (%rax)\r
+       vmovups %ymm5 ,         (%rax, LDC)\r
+       vmovups %ymm6 ,         (%rbp)\r
+       vmovups %ymm7 ,         (%rbp, LDC)\r
+\r
+       prefetcht0      32(%rax)\r
+       prefetcht0      32(%rax,LDC)\r
+       prefetcht0      32(%rbp)\r
+       prefetcht0      32(%rbp,LDC)\r
+\r
+       addq    $4*SIZE, CO1\r
+.endm\r
+\r
+/******************************************************************************************/\r
+\r
+.macro INIT2x12\r
+\r
+       vxorpd          %xmm4 , %xmm4 , %xmm4\r
+       vxorpd          %xmm5 , %xmm5 , %xmm5\r
+       vxorpd          %xmm6 , %xmm6 , %xmm6\r
+       vxorpd          %xmm7 , %xmm7 , %xmm7\r
+       vxorpd          %xmm8 , %xmm8 , %xmm8\r
+       vxorpd          %xmm9 , %xmm9 , %xmm9\r
+       vxorpd          %xmm10, %xmm10, %xmm10\r
+       vxorpd          %xmm11, %xmm11, %xmm11\r
+       vxorpd          %xmm12, %xmm12, %xmm12\r
+       vxorpd          %xmm13, %xmm13, %xmm13\r
+       vxorpd          %xmm14, %xmm14, %xmm14\r
+       vxorpd          %xmm15, %xmm15, %xmm15\r
+\r
+.endm\r
+\r
+.macro KERNEL2x12_SUB\r
+       vmovups         -16 * SIZE(AO), %xmm0\r
+       vmovddup        -12 * SIZE(BO), %xmm1\r
+       vmovddup        -11 * SIZE(BO), %xmm2\r
+       vmovddup        -10 * SIZE(BO), %xmm3\r
+       vfmadd231pd     %xmm0 ,%xmm1  , %xmm4\r
+       vmovddup         -9 * SIZE(BO), %xmm1\r
+       vfmadd231pd     %xmm0 ,%xmm2  , %xmm5\r
+       vmovddup         -8 * SIZE(BO), %xmm2\r
+       vfmadd231pd     %xmm0 ,%xmm3  , %xmm6\r
+       vmovddup         -7 * SIZE(BO), %xmm3\r
+       vfmadd231pd     %xmm0 ,%xmm1  , %xmm7\r
+       vmovddup         -6 * SIZE(BO), %xmm1\r
+       vfmadd231pd     %xmm0 ,%xmm2  , %xmm8\r
+       vmovddup         -5 * SIZE(BO), %xmm2\r
+       vfmadd231pd     %xmm0 ,%xmm3  , %xmm9\r
+       vmovddup         -4 * SIZE(BO), %xmm3\r
+       vfmadd231pd     %xmm0 ,%xmm1  , %xmm10\r
+       vmovddup         -3 * SIZE(BO), %xmm1\r
+       vfmadd231pd     %xmm0 ,%xmm2  , %xmm11\r
+       vmovddup         -2 * SIZE(BO), %xmm2\r
+       vfmadd231pd     %xmm0 ,%xmm3  , %xmm12\r
+       vmovddup         -1 * SIZE(BO), %xmm3\r
+       vfmadd231pd     %xmm0 ,%xmm1  , %xmm13\r
+       addq            $12*SIZE, BO\r
+       vfmadd231pd     %xmm0 ,%xmm2  , %xmm14\r
+       addq            $2*SIZE, AO\r
+       vfmadd231pd     %xmm0 ,%xmm3  , %xmm15\r
+\r
+.endm\r
+\r
+.macro SAVE2x12\r
+\r
+       vmovddup        ALPHA, %xmm0\r
+\r
+       vmulpd  %xmm0 , %xmm4 , %xmm4\r
+       vmulpd  %xmm0 , %xmm5 , %xmm5\r
+       vmulpd  %xmm0 , %xmm6 , %xmm6\r
+       vmulpd  %xmm0 , %xmm7 , %xmm7\r
+\r
+       vmulpd  %xmm0 , %xmm8 , %xmm8\r
+       vmulpd  %xmm0 , %xmm9 , %xmm9\r
+       vmulpd  %xmm0 , %xmm10, %xmm10\r
+       vmulpd  %xmm0 , %xmm11, %xmm11\r
+\r
+       vmulpd  %xmm0 , %xmm12, %xmm12\r
+       vmulpd  %xmm0 , %xmm13, %xmm13\r
+       vmulpd  %xmm0 , %xmm14, %xmm14\r
+       vmulpd  %xmm0 , %xmm15, %xmm15\r
+\r
+\r
+        leaq    (CO1, LDC, 2), %rax     \r
+       \r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd                  (CO1), %xmm4, %xmm4\r
+       vaddpd             (CO1, LDC), %xmm5, %xmm5\r
+       vaddpd                 (%rax), %xmm6, %xmm6\r
+       vaddpd            (%rax, LDC), %xmm7, %xmm7\r
+\r
+#endif\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm5 ,         (CO1, LDC)\r
+       vmovups %xmm6 ,         (%rax)\r
+       vmovups %xmm7 ,         (%rax, LDC)\r
+\r
+\r
+       leaq    (%rax, LDC, 2), %rax\r
+       leaq    (%rax, LDC, 2), %rbp\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd                  (%rax), %xmm8 , %xmm4\r
+       vaddpd             (%rax, LDC), %xmm9 , %xmm5\r
+       vaddpd                  (%rbp), %xmm10, %xmm6\r
+       vaddpd             (%rbp, LDC), %xmm11, %xmm7\r
+\r
+#endif\r
+\r
+       vmovups %xmm4 ,         (%rax)\r
+       vmovups %xmm5 ,         (%rax, LDC)\r
+       vmovups %xmm6 ,         (%rbp)\r
+       vmovups %xmm7 ,         (%rbp, LDC)\r
+\r
+\r
+       leaq    (%rax, LDC, 4), %rax\r
+       leaq    (%rbp, LDC, 4), %rbp\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd                  (%rax), %xmm12, %xmm4\r
+       vaddpd             (%rax, LDC), %xmm13, %xmm5\r
+       vaddpd                  (%rbp), %xmm14, %xmm6\r
+       vaddpd             (%rbp, LDC), %xmm15, %xmm7\r
+\r
+#endif\r
+\r
+       vmovups %xmm4 ,         (%rax)\r
+       vmovups %xmm5 ,         (%rax, LDC)\r
+       vmovups %xmm6 ,         (%rbp)\r
+       vmovups %xmm7 ,         (%rbp, LDC)\r
+\r
+       addq    $2*SIZE, CO1\r
+.endm\r
+\r
+\r
+/******************************************************************************************/\r
+\r
+.macro INIT1x12\r
+\r
+       vxorpd          %xmm4 , %xmm4 , %xmm4\r
+       vxorpd          %xmm5 , %xmm5 , %xmm5\r
+       vxorpd          %xmm6 , %xmm6 , %xmm6\r
+       vxorpd          %xmm7 , %xmm7 , %xmm7\r
+       vxorpd          %xmm8 , %xmm8 , %xmm8\r
+       vxorpd          %xmm9 , %xmm9 , %xmm9\r
+       vxorpd          %xmm10, %xmm10, %xmm10\r
+       vxorpd          %xmm11, %xmm11, %xmm11\r
+       vxorpd          %xmm12, %xmm12, %xmm12\r
+       vxorpd          %xmm13, %xmm13, %xmm13\r
+       vxorpd          %xmm14, %xmm14, %xmm14\r
+       vxorpd          %xmm15, %xmm15, %xmm15\r
+\r
+.endm\r
+\r
+.macro KERNEL1x12_SUB\r
+       vmovsd  -16 * SIZE(AO), %xmm0\r
+       vmovsd  -12 * SIZE(BO), %xmm1\r
+       vmovsd  -11 * SIZE(BO), %xmm2\r
+       vmovsd  -10 * SIZE(BO), %xmm3\r
+       vfmadd231sd     %xmm0 ,%xmm1  , %xmm4\r
+       vmovsd   -9 * SIZE(BO), %xmm1\r
+       vfmadd231sd     %xmm0 ,%xmm2  , %xmm5\r
+       vmovsd   -8 * SIZE(BO), %xmm2\r
+       vfmadd231sd     %xmm0 ,%xmm3  , %xmm6\r
+       vmovsd   -7 * SIZE(BO), %xmm3\r
+       vfmadd231sd     %xmm0 ,%xmm1  , %xmm7\r
+       vmovsd   -6 * SIZE(BO), %xmm1\r
+       vfmadd231sd     %xmm0 ,%xmm2  , %xmm8\r
+       vmovsd   -5 * SIZE(BO), %xmm2\r
+       vfmadd231sd     %xmm0 ,%xmm3  , %xmm9\r
+       vmovsd   -4 * SIZE(BO), %xmm3\r
+       vfmadd231sd     %xmm0 ,%xmm1  , %xmm10\r
+       vmovsd   -3 * SIZE(BO), %xmm1\r
+       vfmadd231sd     %xmm0 ,%xmm2  , %xmm11\r
+       vmovsd   -2 * SIZE(BO), %xmm2\r
+       vfmadd231sd     %xmm0 ,%xmm3  , %xmm12\r
+       vmovsd   -1 * SIZE(BO), %xmm3\r
+       vfmadd231sd     %xmm0 ,%xmm1  , %xmm13\r
+       addq            $12*SIZE, BO\r
+       vfmadd231sd     %xmm0 ,%xmm2  , %xmm14\r
+       addq            $1*SIZE, AO\r
+       vfmadd231sd     %xmm0 ,%xmm3  , %xmm15\r
+\r
+.endm\r
+\r
+.macro SAVE1x12\r
+\r
+       vmovsd  ALPHA, %xmm0\r
+\r
+       vmulsd  %xmm0 , %xmm4 , %xmm4\r
+       vmulsd  %xmm0 , %xmm5 , %xmm5\r
+       vmulsd  %xmm0 , %xmm6 , %xmm6\r
+       vmulsd  %xmm0 , %xmm7 , %xmm7\r
+\r
+       vmulsd  %xmm0 , %xmm8 , %xmm8\r
+       vmulsd  %xmm0 , %xmm9 , %xmm9\r
+       vmulsd  %xmm0 , %xmm10, %xmm10\r
+       vmulsd  %xmm0 , %xmm11, %xmm11\r
+\r
+       vmulsd  %xmm0 , %xmm12, %xmm12\r
+       vmulsd  %xmm0 , %xmm13, %xmm13\r
+       vmulsd  %xmm0 , %xmm14, %xmm14\r
+       vmulsd  %xmm0 , %xmm15, %xmm15\r
+\r
+\r
+        leaq    (CO1, LDC, 2), %rax     \r
+       \r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddsd                  (CO1), %xmm4, %xmm4\r
+       vaddsd             (CO1, LDC), %xmm5, %xmm5\r
+       vaddsd                 (%rax), %xmm6, %xmm6\r
+       vaddsd            (%rax, LDC), %xmm7, %xmm7\r
+\r
+#endif\r
+\r
+       vmovsd  %xmm4 ,         (CO1)\r
+       vmovsd  %xmm5 ,         (CO1, LDC)\r
+       vmovsd  %xmm6 ,         (%rax)\r
+       vmovsd  %xmm7 ,         (%rax, LDC)\r
+\r
+\r
+       leaq    (%rax, LDC, 2), %rax\r
+       leaq    (%rax, LDC, 2), %rbp\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddsd                  (%rax), %xmm8 , %xmm4\r
+       vaddsd             (%rax, LDC), %xmm9 , %xmm5\r
+       vaddsd                  (%rbp), %xmm10, %xmm6\r
+       vaddsd             (%rbp, LDC), %xmm11, %xmm7\r
+\r
+#endif\r
+\r
+       vmovsd  %xmm4 ,         (%rax)\r
+       vmovsd  %xmm5 ,         (%rax, LDC)\r
+       vmovsd  %xmm6 ,         (%rbp)\r
+       vmovsd  %xmm7 ,         (%rbp, LDC)\r
+\r
+\r
+       leaq    (%rax, LDC, 4), %rax\r
+       leaq    (%rbp, LDC, 4), %rbp\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddsd                  (%rax), %xmm12, %xmm4\r
+       vaddsd             (%rax, LDC), %xmm13, %xmm5\r
+       vaddsd                  (%rbp), %xmm14, %xmm6\r
+       vaddsd             (%rbp, LDC), %xmm15, %xmm7\r
+\r
+#endif\r
+\r
+       vmovsd  %xmm4 ,         (%rax)\r
+       vmovsd  %xmm5 ,         (%rax, LDC)\r
+       vmovsd  %xmm6 ,         (%rbp)\r
+       vmovsd  %xmm7 ,         (%rbp, LDC)\r
+\r
+       addq    $1*SIZE, CO1\r
+.endm\r
+\r
+\r
+\r
+\r
+/******************************************************************************************/\r
+/******************************************************************************************/\r
+\r
+.macro INIT4x4\r
+\r
+       vxorpd          %ymm4 , %ymm4 , %ymm4\r
+       vxorpd          %ymm5 , %ymm5 , %ymm5\r
+       vxorpd          %ymm6 , %ymm6 , %ymm6\r
+       vxorpd          %ymm7 , %ymm7 , %ymm7\r
+\r
+.endm\r
+\r
+.macro KERNEL4x4_I\r
+       prefetcht0      A_PR1(AO)\r
+       vmovups         -12 * SIZE(BO), %ymm1\r
+       vmovups         -16 * SIZE(AO), %ymm0\r
+       vmulpd          %ymm0 ,%ymm1  , %ymm4\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vmulpd          %ymm0 ,%ymm1  , %ymm5\r
+       vpermpd         $0x1b, %ymm0  , %ymm0\r
+       vmulpd          %ymm0 ,%ymm1  , %ymm6\r
+\r
+       addq            $4*SIZE, BO\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vmulpd          %ymm0 ,%ymm1  , %ymm7\r
+       vmovups         -12 * SIZE(BO), %ymm1\r
+\r
+.endm\r
+\r
+.macro KERNEL4x4_M1\r
+       prefetcht0      A_PR1(AO)\r
+       vmovups         -16 * SIZE(AO), %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm4\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm5\r
+       vpermpd         $0x1b, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm6\r
+\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm7\r
+       vmovups         -12 * SIZE(BO), %ymm1\r
+\r
+.endm\r
+\r
+.macro KERNEL4x4_M2\r
+       vmovups         -12 * SIZE(AO), %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm4\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm5\r
+       vpermpd         $0x1b, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm6\r
+\r
+       addq            $8*SIZE, AO\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm7\r
+       vmovups          -8 * SIZE(BO), %ymm1\r
+       addq            $8*SIZE, BO\r
+.endm\r
+\r
+\r
+.macro KERNEL4x4_E\r
+       vmovups         -12 * SIZE(AO), %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm4\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm5\r
+       vpermpd         $0x1b, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm6\r
+\r
+       addq            $8*SIZE, AO\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm7\r
+       addq            $4*SIZE, BO\r
+.endm\r
+\r
+.macro KERNEL4x4_SUB\r
+       vmovups         -12 * SIZE(BO), %ymm1\r
+       vmovups         -16 * SIZE(AO), %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm4\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm5\r
+       addq            $4*SIZE, BO\r
+       vpermpd         $0x1b, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm6\r
+       addq            $4*SIZE, AO\r
+       vpermpd         $0xb1, %ymm0  , %ymm0\r
+       vfmadd231pd     %ymm0 ,%ymm1  , %ymm7\r
+\r
+.endm\r
+\r
+.macro SAVE4x4\r
+\r
+       vbroadcastsd    ALPHA, %ymm0\r
+\r
+       vmulpd  %ymm0 , %ymm4 , %ymm4\r
+       vmulpd  %ymm0 , %ymm7 , %ymm7\r
+       vmulpd  %ymm0 , %ymm5 , %ymm5\r
+       vmulpd  %ymm0 , %ymm6 , %ymm6\r
+\r
+       vpermpd $0xb1 , %ymm5, %ymm5\r
+       vpermpd $0xb1 , %ymm7, %ymm7\r
+\r
+       vblendpd $0x0a, %ymm5, %ymm4, %ymm0\r
+       vblendpd $0x05, %ymm5, %ymm4, %ymm1\r
+       vblendpd $0x0a, %ymm7, %ymm6, %ymm2\r
+       vblendpd $0x05, %ymm7, %ymm6, %ymm3\r
+\r
+       vpermpd $0x1b , %ymm2, %ymm2\r
+       vpermpd $0x1b , %ymm3, %ymm3\r
+       vpermpd $0xb1 , %ymm2, %ymm2\r
+       vpermpd $0xb1 , %ymm3, %ymm3\r
+\r
+       vblendpd $0x03, %ymm0, %ymm2 , %ymm4\r
+       vblendpd $0x03, %ymm1, %ymm3 , %ymm5\r
+       vblendpd $0x03, %ymm2, %ymm0 , %ymm6\r
+       vblendpd $0x03, %ymm3, %ymm1 , %ymm7\r
+\r
+        leaq    (CO1, LDC, 2), %rax     \r
+       \r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd                  (CO1), %ymm4, %ymm4\r
+       vaddpd             (CO1, LDC), %ymm5, %ymm5\r
+       vaddpd                 (%rax), %ymm6, %ymm6\r
+       vaddpd            (%rax, LDC), %ymm7, %ymm7\r
+\r
+#endif\r
+\r
+       vmovups %ymm4 ,         (CO1)\r
+       vmovups %ymm5 ,         (CO1, LDC)\r
+       vmovups %ymm6 ,         (%rax)\r
+       vmovups %ymm7 ,         (%rax, LDC)\r
+\r
+       addq    $4*SIZE, CO1\r
+.endm\r
+\r
+/******************************************************************************************/\r
+/******************************************************************************************/\r
+\r
+.macro INIT2x4\r
+\r
+       vxorpd          %xmm4 , %xmm4 , %xmm4\r
+       vxorpd          %xmm5 , %xmm5 , %xmm5\r
+       vxorpd          %xmm6 , %xmm6 , %xmm6\r
+       vxorpd          %xmm7 , %xmm7 , %xmm7\r
+\r
+.endm\r
+\r
+\r
+.macro KERNEL2x4_SUB\r
+       vmovddup        -12 * SIZE(BO), %xmm1\r
+       vmovups         -16 * SIZE(AO), %xmm0\r
+       vmovddup        -11 * SIZE(BO), %xmm2\r
+       vfmadd231pd     %xmm0 ,%xmm1  , %xmm4\r
+       vmovddup        -10 * SIZE(BO), %xmm3\r
+       vfmadd231pd     %xmm0 ,%xmm2  , %xmm5\r
+       vmovddup         -9 * SIZE(BO), %xmm8\r
+       vfmadd231pd     %xmm0 ,%xmm3  , %xmm6\r
+       addq            $4*SIZE, BO\r
+       vfmadd231pd     %xmm0 ,%xmm8  , %xmm7\r
+       addq            $2*SIZE, AO\r
+\r
+.endm\r
+\r
+\r
+.macro SAVE2x4\r
+\r
+       vmovddup        ALPHA, %xmm0\r
+\r
+       vmulpd  %xmm0 , %xmm4 , %xmm4\r
+       vmulpd  %xmm0 , %xmm5 , %xmm5\r
+       vmulpd  %xmm0 , %xmm6 , %xmm6\r
+       vmulpd  %xmm0 , %xmm7 , %xmm7\r
+\r
+        leaq    (CO1, LDC, 2), %rax     \r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd                  (CO1), %xmm4, %xmm4\r
+       vaddpd             (CO1, LDC), %xmm5, %xmm5\r
+       vaddpd                 (%rax), %xmm6, %xmm6\r
+       vaddpd            (%rax, LDC), %xmm7, %xmm7\r
+\r
+#endif\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm5 ,         (CO1, LDC)\r
+       vmovups %xmm6 ,         (%rax)\r
+       vmovups %xmm7 ,         (%rax, LDC)\r
+\r
+       addq    $2*SIZE, CO1\r
+.endm\r
+\r
+/******************************************************************************************/\r
+/******************************************************************************************/\r
+\r
+.macro INIT1x4\r
+\r
+       vxorpd          %xmm4 , %xmm4 , %xmm4\r
+       vxorpd          %xmm5 , %xmm5 , %xmm5\r
+       vxorpd          %xmm6 , %xmm6 , %xmm6\r
+       vxorpd          %xmm7 , %xmm7 , %xmm7\r
+\r
+.endm\r
+\r
+\r
+.macro KERNEL1x4_SUB\r
+       vmovsd  -12 * SIZE(BO), %xmm1\r
+       vmovsd  -16 * SIZE(AO), %xmm0\r
+       vmovsd  -11 * SIZE(BO), %xmm2\r
+       vfmadd231sd     %xmm0 ,%xmm1  , %xmm4\r
+       vmovsd  -10 * SIZE(BO), %xmm3\r
+       vfmadd231sd     %xmm0 ,%xmm2  , %xmm5\r
+       vmovsd   -9 * SIZE(BO), %xmm8\r
+       vfmadd231sd     %xmm0 ,%xmm3  , %xmm6\r
+       addq            $4*SIZE, BO\r
+       vfmadd231sd     %xmm0 ,%xmm8  , %xmm7\r
+       addq            $1*SIZE, AO\r
+\r
+.endm\r
+\r
+\r
+.macro SAVE1x4\r
+\r
+       vmovsd  ALPHA, %xmm0\r
+\r
+       vmulsd  %xmm0 , %xmm4 , %xmm4\r
+       vmulsd  %xmm0 , %xmm5 , %xmm5\r
+       vmulsd  %xmm0 , %xmm6 , %xmm6\r
+       vmulsd  %xmm0 , %xmm7 , %xmm7\r
+\r
+        leaq    (CO1, LDC, 2), %rax     \r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddsd                  (CO1), %xmm4, %xmm4\r
+       vaddsd             (CO1, LDC), %xmm5, %xmm5\r
+       vaddsd                 (%rax), %xmm6, %xmm6\r
+       vaddsd            (%rax, LDC), %xmm7, %xmm7\r
+\r
+#endif\r
+\r
+       vmovsd  %xmm4 ,         (CO1)\r
+       vmovsd  %xmm5 ,         (CO1, LDC)\r
+       vmovsd  %xmm6 ,         (%rax)\r
+       vmovsd  %xmm7 ,         (%rax, LDC)\r
+\r
+       addq    $1*SIZE, CO1\r
+.endm\r
+\r
+\r
+/******************************************************************************************/\r
+/******************************************************************************************/\r
+\r
+.macro INIT4x2\r
+\r
+       vxorpd          %xmm4 , %xmm4 , %xmm4\r
+       vxorpd          %xmm5 , %xmm5 , %xmm5\r
+       vxorpd          %xmm6 , %xmm6 , %xmm6\r
+       vxorpd          %xmm7 , %xmm7 , %xmm7\r
+\r
+.endm\r
+\r
+\r
+.macro KERNEL4x2_SUB\r
+       vmovddup        -12 * SIZE(BO), %xmm2\r
+       vmovups         -16 * SIZE(AO), %xmm0\r
+       vmovups         -14 * SIZE(AO), %xmm1\r
+       vmovddup        -11 * SIZE(BO), %xmm3\r
+       vfmadd231pd     %xmm0 ,%xmm2  , %xmm4\r
+       vfmadd231pd     %xmm1 ,%xmm2  , %xmm5\r
+       vfmadd231pd     %xmm0 ,%xmm3  , %xmm6\r
+       vfmadd231pd     %xmm1 ,%xmm3  , %xmm7\r
+       addq            $2*SIZE, BO\r
+       addq            $4*SIZE, AO\r
+\r
+.endm\r
+\r
+\r
+.macro SAVE4x2\r
+\r
+       vmovddup        ALPHA, %xmm0\r
+\r
+       vmulpd  %xmm0 , %xmm4 , %xmm4\r
+       vmulpd  %xmm0 , %xmm5 , %xmm5\r
+       vmulpd  %xmm0 , %xmm6 , %xmm6\r
+       vmulpd  %xmm0 , %xmm7 , %xmm7\r
+\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd                  (CO1)     , %xmm4, %xmm4\r
+       vaddpd          2 * SIZE(CO1)     , %xmm5, %xmm5\r
+       vaddpd                  (CO1, LDC), %xmm6, %xmm6\r
+       vaddpd          2 * SIZE(CO1, LDC), %xmm7, %xmm7\r
+\r
+#endif\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm5 , 2 * SIZE(CO1)\r
+       vmovups %xmm6 ,         (CO1, LDC)\r
+       vmovups %xmm7 , 2 * SIZE(CO1, LDC)\r
+\r
+       addq    $4*SIZE, CO1\r
+.endm\r
+\r
+\r
+/******************************************************************************************/\r
+/******************************************************************************************/\r
+\r
+.macro INIT2x2\r
+\r
+       vxorpd          %xmm4 , %xmm4 , %xmm4\r
+       vxorpd          %xmm6 , %xmm6 , %xmm6\r
+\r
+.endm\r
+\r
+\r
+.macro KERNEL2x2_SUB\r
+       vmovddup        -12 * SIZE(BO), %xmm2\r
+       vmovups         -16 * SIZE(AO), %xmm0\r
+       vmovddup        -11 * SIZE(BO), %xmm3\r
+       vfmadd231pd     %xmm0 ,%xmm2  , %xmm4\r
+       vfmadd231pd     %xmm0 ,%xmm3  , %xmm6\r
+       addq            $2*SIZE, BO\r
+       addq            $2*SIZE, AO\r
+\r
+.endm\r
+\r
+\r
+.macro SAVE2x2\r
+\r
+       vmovddup        ALPHA, %xmm0\r
+\r
+       vmulpd  %xmm0 , %xmm4 , %xmm4\r
+       vmulpd  %xmm0 , %xmm6 , %xmm6\r
+\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd                  (CO1)     , %xmm4, %xmm4\r
+       vaddpd                  (CO1, LDC), %xmm6, %xmm6\r
+\r
+#endif\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm6 ,         (CO1, LDC)\r
+\r
+       addq    $2*SIZE, CO1\r
+.endm\r
+\r
+/******************************************************************************************/\r
+/******************************************************************************************/\r
+\r
+.macro INIT1x2\r
+\r
+       vxorpd          %xmm4 , %xmm4 , %xmm4\r
+       vxorpd          %xmm5 , %xmm5 , %xmm5\r
+\r
+.endm\r
+\r
+\r
+.macro KERNEL1x2_SUB\r
+       vmovsd  -12 * SIZE(BO), %xmm1\r
+       vmovsd  -16 * SIZE(AO), %xmm0\r
+       vmovsd  -11 * SIZE(BO), %xmm2\r
+       vfmadd231sd     %xmm0 ,%xmm1  , %xmm4\r
+       vfmadd231sd     %xmm0 ,%xmm2  , %xmm5\r
+       addq            $2*SIZE, BO\r
+       addq            $1*SIZE, AO\r
+\r
+.endm\r
+\r
+\r
+.macro SAVE1x2\r
+\r
+       vmovsd  ALPHA, %xmm0\r
+\r
+       vmulsd  %xmm0 , %xmm4 , %xmm4\r
+       vmulsd  %xmm0 , %xmm5 , %xmm5\r
+\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddsd                  (CO1), %xmm4, %xmm4\r
+       vaddsd             (CO1, LDC), %xmm5, %xmm5\r
+\r
+#endif\r
+\r
+       vmovsd  %xmm4 ,         (CO1)\r
+       vmovsd  %xmm5 ,         (CO1, LDC)\r
+\r
+       addq    $1*SIZE, CO1\r
+.endm\r
+\r
+\r
+/******************************************************************************************/\r
+/******************************************************************************************/\r
+\r
+.macro INIT4x1\r
+\r
+       vxorpd          %xmm4 , %xmm4 , %xmm4\r
+       vxorpd          %xmm5 , %xmm5 , %xmm5\r
+\r
+.endm\r
+\r
+\r
+.macro KERNEL4x1_SUB\r
+       vmovddup        -12 * SIZE(BO), %xmm2\r
+       vmovups         -16 * SIZE(AO), %xmm0\r
+       vmovups         -14 * SIZE(AO), %xmm1\r
+       vfmadd231pd     %xmm0 ,%xmm2  , %xmm4\r
+       vfmadd231pd     %xmm1 ,%xmm2  , %xmm5\r
+       addq            $1*SIZE, BO\r
+       addq            $4*SIZE, AO\r
+\r
+.endm\r
+\r
+\r
+.macro SAVE4x1\r
+\r
+       vmovddup        ALPHA, %xmm0\r
+\r
+       vmulpd  %xmm0 , %xmm4 , %xmm4\r
+       vmulpd  %xmm0 , %xmm5 , %xmm5\r
+\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd                  (CO1)     , %xmm4, %xmm4\r
+       vaddpd          2 * SIZE(CO1)     , %xmm5, %xmm5\r
+\r
+#endif\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm5 , 2 * SIZE(CO1)\r
+\r
+       addq    $4*SIZE, CO1\r
+.endm\r
+\r
+\r
+/******************************************************************************************/\r
+/******************************************************************************************/\r
+\r
+.macro INIT2x1\r
+\r
+       vxorpd          %xmm4 , %xmm4 , %xmm4\r
+\r
+.endm\r
+\r
+\r
+.macro KERNEL2x1_SUB\r
+       vmovddup        -12 * SIZE(BO), %xmm2\r
+       vmovups         -16 * SIZE(AO), %xmm0\r
+       vfmadd231pd     %xmm0 ,%xmm2  , %xmm4\r
+       addq            $1*SIZE, BO\r
+       addq            $2*SIZE, AO\r
+\r
+.endm\r
+\r
+\r
+.macro SAVE2x1\r
+\r
+       vmovddup        ALPHA, %xmm0\r
+\r
+       vmulpd  %xmm0 , %xmm4 , %xmm4\r
+\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddpd                  (CO1)     , %xmm4, %xmm4\r
+\r
+#endif\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+\r
+       addq    $2*SIZE, CO1\r
+.endm\r
+\r
+\r
+/******************************************************************************************/\r
+/******************************************************************************************/\r
+\r
+.macro INIT1x1\r
+\r
+       vxorpd          %xmm4 , %xmm4 , %xmm4\r
+\r
+.endm\r
+\r
+\r
+.macro KERNEL1x1_SUB\r
+       vmovsd  -12 * SIZE(BO), %xmm1\r
+       vmovsd  -16 * SIZE(AO), %xmm0\r
+       vfmadd231sd     %xmm0 ,%xmm1  , %xmm4\r
+       addq            $1*SIZE, BO\r
+       addq            $1*SIZE, AO\r
+\r
+.endm\r
+\r
+\r
+.macro SAVE1x1\r
+\r
+       vmovsd  ALPHA, %xmm0\r
+\r
+       vmulsd  %xmm0 , %xmm4 , %xmm4\r
+\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddsd                  (CO1), %xmm4, %xmm4\r
+\r
+#endif\r
+\r
+       vmovsd  %xmm4 ,         (CO1)\r
+\r
+       addq    $1*SIZE, CO1\r
+.endm\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+\r
+       PROLOGUE\r
+       PROFCODE\r
+       \r
+       subq    $STACKSIZE, %rsp\r
+       movq    %rbx,   (%rsp)\r
+       movq    %rbp,  8(%rsp)\r
+       movq    %r12, 16(%rsp)\r
+       movq    %r13, 24(%rsp)\r
+       movq    %r14, 32(%rsp)\r
+       movq    %r15, 40(%rsp)\r
+\r
+       vzeroupper\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq    %rdi,    48(%rsp)\r
+       movq    %rsi,    56(%rsp)\r
+       vmovups %xmm6,   64(%rsp)\r
+       vmovups %xmm7,   80(%rsp)\r
+       vmovups %xmm8,   96(%rsp)\r
+       vmovups %xmm9,  112(%rsp)\r
+       vmovups %xmm10, 128(%rsp)\r
+       vmovups %xmm11, 144(%rsp)\r
+       vmovups %xmm12, 160(%rsp)\r
+       vmovups %xmm13, 176(%rsp)\r
+       vmovups %xmm14, 192(%rsp)\r
+       vmovups %xmm15, 208(%rsp)\r
+\r
+       movq    ARG1,      OLD_M\r
+       movq    ARG2,      OLD_N\r
+       movq    ARG3,      OLD_K\r
+       movq    OLD_A,     A\r
+       movq    OLD_B,     B\r
+       movq    OLD_C,     C\r
+       movq    OLD_LDC,   LDC\r
+\r
+       vmovups %xmm3, %xmm0\r
+\r
+#else\r
+       movq    STACKSIZE +  8(%rsp), LDC\r
+\r
+#endif\r
+\r
+       movq    %rsp, SP      # save old stack\r
+        subq    $128 + L_BUFFER_SIZE, %rsp\r
+        andq    $-4096, %rsp    # align stack\r
+\r
+        STACK_TOUCH\r
+\r
+       cmpq    $0, OLD_M\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_N\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_K\r
+       je      .L999\r
+\r
+       movq    OLD_M, M\r
+       movq    OLD_N, N\r
+       movq    OLD_K, K\r
+\r
+       vmovsd   %xmm0, ALPHA\r
+\r
+       salq    $BASE_SHIFT, LDC\r
+\r
+       movq    N, %rax\r
+        xorq    %rdx, %rdx\r
+        movq    $12,  %rdi\r
+        divq    %rdi                    //    N / 12\r
+        movq    %rax, Ndiv12             //    N / 12\r
+        movq    %rdx, Nmod12             //    N % 12\r
+\r
+\r
+       movq    Ndiv12,  J\r
+       cmpq    $0, J\r
+       je      .L4_0\r
+       ALIGN_4\r
+\r
+.L12_01:\r
+        // copy to sub buffer\r
+        movq    K, %rax\r
+        salq    $2,%rax                 // K * 4 ; read 2 values\r
+        movq    B, BO1\r
+        leaq    (B,%rax, SIZE), BO2     // next offset to BO2\r
+        leaq    (BO2,%rax, SIZE), BO3     // next offset to BO2\r
+\r
+\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        movq    K, %rax\r
+       sarq    $1 , %rax               // K / 2\r
+       jz      .L12_01a_2\r
+        ALIGN_4\r
+\r
+.L12_01a_1:\r
+\r
+        prefetcht0 512(BO1)\r
+        prefetcht0 512(BO2)\r
+        prefetcht0 512(BO3)\r
+        prefetchw  512(BO)\r
+\r
+\r
+       vmovups 0 * SIZE(BO1), %ymm1\r
+       vmovups 4 * SIZE(BO1), %ymm5\r
+       vmovups 0 * SIZE(BO2), %ymm2\r
+       vmovups 4 * SIZE(BO2), %ymm6\r
+       vmovups 0 * SIZE(BO3), %ymm3\r
+       vmovups 4 * SIZE(BO3), %ymm7\r
+\r
+       vmovups %ymm1,  0 * SIZE(BO)\r
+       vmovups %ymm2,  4 * SIZE(BO)\r
+       vmovups %ymm3,  8 * SIZE(BO)\r
+\r
+       vmovups %ymm5, 12 * SIZE(BO)\r
+       vmovups %ymm6, 16 * SIZE(BO)\r
+       vmovups %ymm7, 20 * SIZE(BO)\r
+\r
+       addq    $8 * SIZE ,BO1\r
+       addq    $8 * SIZE ,BO2\r
+       addq    $8 * SIZE ,BO3\r
+       addq    $24 *SIZE ,BO\r
+\r
+       decq    %rax\r
+       jnz     .L12_01a_1\r
+\r
+\r
+\r
+.L12_01a_2:\r
+\r
+       movq    K, %rax\r
+        andq    $1, %rax                // K % 2\r
+        jz      .L12_03c\r
+        ALIGN_4\r
+\r
+\r
+.L12_02b:\r
+\r
+       vmovups 0 * SIZE(BO1), %ymm1\r
+       vmovups 0 * SIZE(BO2), %ymm2\r
+       vmovups 0 * SIZE(BO3), %ymm3\r
+       vmovups %ymm1, 0 * SIZE(BO)\r
+       vmovups %ymm2, 4 * SIZE(BO)\r
+       vmovups %ymm3, 8 * SIZE(BO)\r
+       addq    $4*SIZE,BO1\r
+       addq    $4*SIZE,BO2\r
+       addq    $4*SIZE,BO3\r
+       addq    $12*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L12_02b\r
+\r
+.L12_03c:\r
+\r
+       movq    BO3, B                  // next offset of B\r
+\r
+.L12_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 8), C           \r
+       leaq    (C, LDC, 4), C          // c += 12 * ldc\r
+\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $16 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $2, I                   // i = m / 4\r
+       je      .L12_20\r
+\r
+       ALIGN_4\r
+\r
+.L12_11:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $12 * SIZE, BO\r
+\r
+        movq    K, %rax\r
+\r
+       sarq $3, %rax                   //  K / 8\r
+       cmpq $2, %rax\r
+\r
+       jl      .L12_13\r
+\r
+\r
+       KERNEL4x12_I\r
+       KERNEL4x12_M2\r
+       KERNEL4x12_M1\r
+       KERNEL4x12_M2\r
+\r
+       KERNEL4x12_M1\r
+       KERNEL4x12_M2\r
+       KERNEL4x12_M1\r
+       KERNEL4x12_M2\r
+\r
+       subq $2, %rax\r
+       je      .L12_12a\r
+\r
+       .align 32\r
+\r
+.L12_12:\r
+\r
+       KERNEL4x12_M1\r
+       KERNEL4x12_M2\r
+       KERNEL4x12_M1\r
+       KERNEL4x12_M2\r
+\r
+       KERNEL4x12_M1\r
+       KERNEL4x12_M2\r
+       KERNEL4x12_M1\r
+       KERNEL4x12_M2\r
+\r
+       dec     %rax\r
+       jne     .L12_12\r
+\r
+.L12_12a:\r
+\r
+       KERNEL4x12_M1\r
+       KERNEL4x12_M2\r
+       KERNEL4x12_M1\r
+       KERNEL4x12_M2\r
+\r
+       KERNEL4x12_M1\r
+       KERNEL4x12_M2\r
+       KERNEL4x12_M1\r
+       KERNEL4x12_E\r
+\r
+       jmp .L12_16\r
+\r
+\r
+.L12_13:\r
+\r
+       test $1, %rax\r
+       jz .L12_14\r
+\r
+       KERNEL4x12_I\r
+       KERNEL4x12_M2\r
+       KERNEL4x12_M1\r
+       KERNEL4x12_M2\r
+\r
+       KERNEL4x12_M1\r
+       KERNEL4x12_M2\r
+       KERNEL4x12_M1\r
+       KERNEL4x12_E\r
+\r
+       jmp .L12_16\r
+\r
+\r
+.L12_14:\r
+\r
+       INIT4x12\r
+\r
+\r
+.L12_16:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L12_19\r
+\r
+       ALIGN_4\r
+\r
+.L12_17:\r
+\r
+       KERNEL4x12_SUB\r
+\r
+       dec     %rax\r
+       jne     .L12_17\r
+       ALIGN_4\r
+\r
+\r
+.L12_19:\r
+\r
+       SAVE4x12\r
+\r
+       decq    I                       # i --\r
+       jne     .L12_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L12_20:\r
+       // Test rest of M\r
+\r
+       testq   $3, M\r
+       jz      .L12_100                        // to next 16 lines of N\r
+\r
+\r
+.L12_30:\r
+       testq   $2, M           \r
+       jz      .L12_40\r
+\r
+       ALIGN_4\r
+\r
+.L12_31:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $12 * SIZE, BO\r
+\r
+       INIT2x12\r
+\r
+        movq    K, %rax\r
+\r
+       sarq    $3, %rax\r
+       je      .L12_36\r
+       ALIGN_4\r
+\r
+.L12_32:\r
+\r
+       KERNEL2x12_SUB\r
+       KERNEL2x12_SUB\r
+       KERNEL2x12_SUB\r
+       KERNEL2x12_SUB\r
+\r
+       KERNEL2x12_SUB\r
+       KERNEL2x12_SUB\r
+       KERNEL2x12_SUB\r
+       KERNEL2x12_SUB\r
+\r
+       dec %rax\r
+       jne     .L12_32\r
+       ALIGN_4\r
+\r
+.L12_36:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L12_39\r
+\r
+       ALIGN_4\r
+\r
+.L12_37:\r
+\r
+       KERNEL2x12_SUB\r
+\r
+       dec %rax\r
+       jne     .L12_37\r
+       ALIGN_4\r
+\r
+\r
+.L12_39:\r
+\r
+       SAVE2x12\r
+\r
+       ALIGN_4\r
+\r
+.L12_40:\r
+       testq   $1, M           \r
+       jz      .L12_100                // to next 3 lines of N\r
+\r
+       ALIGN_4\r
+\r
+.L12_41:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $12 * SIZE, BO\r
+\r
+       INIT1x12\r
+\r
+        movq    K, %rax\r
+\r
+       sarq    $3,%rax\r
+       je      .L12_46\r
+\r
+       ALIGN_4\r
+\r
+.L12_42:\r
+\r
+       KERNEL1x12_SUB\r
+       KERNEL1x12_SUB\r
+       KERNEL1x12_SUB\r
+       KERNEL1x12_SUB\r
+\r
+       KERNEL1x12_SUB\r
+       KERNEL1x12_SUB\r
+       KERNEL1x12_SUB\r
+       KERNEL1x12_SUB\r
+\r
+\r
+       dec %rax\r
+       jne     .L12_42\r
+       ALIGN_4\r
+\r
+.L12_46:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L12_49\r
+\r
+       ALIGN_4\r
+\r
+.L12_47:\r
+\r
+       KERNEL1x12_SUB\r
+\r
+       dec     %rax\r
+       jne     .L12_47\r
+       ALIGN_4\r
+\r
+\r
+.L12_49:\r
+\r
+       SAVE1x12\r
+\r
+       ALIGN_4\r
+       \r
+.L12_100:\r
+\r
+       decq    J                       // j --\r
+       jg      .L12_01\r
+\r
+\r
+.L4_0:\r
+\r
+       cmpq    $0, Nmod12              // N % 12 == 0\r
+       je      .L999\r
+\r
+       movq    Nmod12, J               \r
+       sarq    $2, J                   // j = j / 4\r
+       je      .L2_0\r
+\r
+.L4_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 4), C          // c += 4 * ldc\r
+\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $16 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $2, I                   // i = m / 4\r
+       je      .L4_20\r
+\r
+       ALIGN_4\r
+\r
+.L4_11:\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+\r
+        movq    K, %rax\r
+\r
+       sarq    $3, %rax                        //  K / 8\r
+       cmpq    $2, %rax\r
+       jl      .L4_13\r
+\r
+\r
+       KERNEL4x4_I\r
+       KERNEL4x4_M2\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+\r
+       subq $2, %rax\r
+       je      .L4_12a\r
+\r
+       .align 32\r
+\r
+.L4_12:\r
+\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+\r
+       dec     %rax\r
+       jne     .L4_12\r
+\r
+.L4_12a:\r
+\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_E\r
+\r
+       jmp .L4_16\r
+\r
+\r
+.L4_13:\r
+\r
+       test $1, %rax\r
+       jz .L4_14\r
+\r
+       KERNEL4x4_I\r
+       KERNEL4x4_M2\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_E\r
+\r
+       jmp .L4_16\r
+\r
+\r
+.L4_14:\r
+\r
+       INIT4x4\r
+\r
+\r
+.L4_16:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L4_19\r
+\r
+       ALIGN_4\r
+\r
+.L4_17:\r
+\r
+       KERNEL4x4_SUB\r
+\r
+       dec     %rax\r
+       jne     .L4_17\r
+       ALIGN_4\r
+\r
+\r
+.L4_19:\r
+\r
+       SAVE4x4\r
+\r
+       decq    I                       # i --\r
+       jg      .L4_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L4_20:\r
+       // Test rest of M\r
+\r
+       testq   $3, M\r
+       jz      .L4_100                 // to next 16 lines of N\r
+\r
+\r
+.L4_30:\r
+       testq   $2, M           \r
+       jz      .L4_40\r
+\r
+       ALIGN_4\r
+\r
+.L4_31:\r
+        movq    B, BO             // first buffer to BO\r
+        addq    $12 * SIZE, BO\r
+\r
+       INIT2x4\r
+\r
+        movq    K, %rax\r
+\r
+       sarq    $3, %rax\r
+       je      .L4_36\r
+       ALIGN_4\r
+\r
+.L4_32:\r
+\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+\r
+       dec %rax\r
+       jne     .L4_32\r
+       ALIGN_4\r
+\r
+.L4_36:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L4_39\r
+\r
+       ALIGN_4\r
+\r
+.L4_37:\r
+\r
+       KERNEL2x4_SUB\r
+\r
+       dec %rax\r
+       jne     .L4_37\r
+\r
+\r
+.L4_39:\r
+\r
+       SAVE2x4\r
+\r
+.L4_40:\r
+       testq   $1, M           \r
+       jz      .L4_100         // to next 3 lines of N\r
+\r
+       ALIGN_4\r
+\r
+.L4_41:\r
+        movq    B, BO             // first buffer to BO\r
+        addq    $12 * SIZE, BO\r
+\r
+       INIT1x4\r
+\r
+        movq    K, %rax\r
+\r
+       sarq    $3,%rax\r
+       je      .L4_46\r
+\r
+       ALIGN_4\r
+\r
+.L4_42:\r
+\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+\r
+       dec %rax\r
+       jne     .L4_42\r
+       ALIGN_4\r
+\r
+.L4_46:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L4_49\r
+\r
+       ALIGN_4\r
+\r
+.L4_47:\r
+\r
+       KERNEL1x4_SUB\r
+\r
+       dec     %rax\r
+       jne     .L4_47\r
+       ALIGN_4\r
+\r
+\r
+.L4_49:\r
+\r
+       SAVE1x4\r
+\r
+       ALIGN_4\r
+       \r
+.L4_100:\r
+\r
+       movq    K, %rax\r
+       salq    $2, %rax                // * 4\r
+       leaq    (B , %rax, SIZE), B\r
+       decq    J                       // j --\r
+       jg      .L4_10\r
+\r
+\r
+\r
+\r
+/***************************************************************************************************************/\r
+\r
+.L2_0:\r
+\r
+       movq    Nmod12, J               \r
+       testq   $2, J\r
+       je      .L1_0\r
+\r
+.L2_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 2), C          // c += 2 * ldc\r
+\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $16 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $2, I                   // i = m / 4\r
+       je      .L2_20\r
+\r
+       ALIGN_4\r
+\r
+.L2_11:\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+\r
+       INIT4x2\r
+\r
+        movq    K, %rax\r
+       sarq $3, %rax                   //  K / 8\r
+\r
+       je      .L2_16\r
+\r
+       .align 32\r
+\r
+.L2_12:\r
+\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+\r
+       dec     %rax\r
+       jne     .L2_12\r
+\r
+\r
+.L2_16:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_19\r
+\r
+       ALIGN_4\r
+\r
+.L2_17:\r
+\r
+       KERNEL4x2_SUB\r
+\r
+       dec     %rax\r
+       jne     .L2_17\r
+       ALIGN_4\r
+\r
+\r
+.L2_19:\r
+\r
+       SAVE4x2\r
+\r
+       decq    I                       # i --\r
+       jg      .L2_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L2_20:\r
+       // Test rest of M\r
+\r
+       testq   $3, M\r
+       jz      .L2_100                 // to next 16 lines of N\r
+\r
+\r
+.L2_30:\r
+       testq   $2, M           \r
+       jz      .L2_40\r
+\r
+       ALIGN_4\r
+\r
+.L2_31:\r
+        movq    B, BO             // first buffer to BO\r
+        addq    $12 * SIZE, BO\r
+\r
+       INIT2x2\r
+\r
+        movq    K, %rax\r
+\r
+       sarq    $3, %rax\r
+       je      .L2_36\r
+       ALIGN_4\r
+\r
+.L2_32:\r
+\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       dec %rax\r
+       jne     .L2_32\r
+\r
+.L2_36:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_39\r
+\r
+       ALIGN_4\r
+\r
+.L2_37:\r
+\r
+       KERNEL2x2_SUB\r
+\r
+       dec %rax\r
+       jne     .L2_37\r
+\r
+\r
+.L2_39:\r
+\r
+       SAVE2x2\r
+\r
+.L2_40:\r
+       testq   $1, M           \r
+       jz      .L2_100         // to next 3 lines of N\r
+\r
+.L2_41:\r
+        movq    B, BO             // first buffer to BO\r
+        addq    $12 * SIZE, BO\r
+\r
+       INIT1x2\r
+\r
+        movq    K, %rax\r
+\r
+       sarq    $3,%rax\r
+       je      .L2_46\r
+\r
+       ALIGN_4\r
+\r
+.L2_42:\r
+\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       dec %rax\r
+       jne     .L2_42\r
+\r
+.L2_46:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_49\r
+\r
+       ALIGN_4\r
+\r
+.L2_47:\r
+\r
+       KERNEL1x2_SUB\r
+\r
+       dec     %rax\r
+       jne     .L2_47\r
+\r
+.L2_49:\r
+\r
+       SAVE1x2\r
+\r
+.L2_100:\r
+\r
+       movq    K, %rax\r
+       salq    $1, %rax                // * 2\r
+       leaq    (B , %rax, SIZE), B\r
+\r
+/***************************************************************************************************************/\r
+\r
+.L1_0:\r
+\r
+       movq    Nmod12, J               \r
+       testq   $1, J\r
+       je      .L999\r
+\r
+.L1_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 1), C          // c += 1 * ldc\r
+\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $16 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $2, I                   // i = m / 4\r
+       je      .L1_20\r
+\r
+       ALIGN_4\r
+\r
+.L1_11:\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+\r
+       INIT4x1\r
+\r
+        movq    K, %rax\r
+\r
+       sarq    $3, %rax                        //  K / 8\r
+       je      .L1_16\r
+\r
+       .align 32\r
+\r
+.L1_12:\r
+\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       dec     %rax\r
+       jne     .L1_12\r
+\r
+\r
+.L1_16:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_19\r
+\r
+       ALIGN_4\r
+\r
+.L1_17:\r
+\r
+       KERNEL4x1_SUB\r
+\r
+       dec     %rax\r
+       jne     .L1_17\r
+       ALIGN_4\r
+\r
+\r
+.L1_19:\r
+\r
+       SAVE4x1\r
+\r
+       decq    I                       # i --\r
+       jg      .L1_11\r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L1_20:\r
+       // Test rest of M\r
+\r
+       testq   $3, M\r
+       jz      .L1_100 \r
+\r
+\r
+.L1_30:\r
+       testq   $2, M           \r
+       jz      .L1_40\r
+\r
+       ALIGN_4\r
+\r
+.L1_31:\r
+        movq    B, BO             // first buffer to BO\r
+        addq    $12 * SIZE, BO\r
+\r
+       INIT2x1\r
+\r
+        movq    K, %rax\r
+\r
+       sarq    $3, %rax\r
+       je      .L1_36\r
+       ALIGN_4\r
+\r
+.L1_32:\r
+\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+\r
+       dec %rax\r
+       jne     .L1_32\r
+\r
+.L1_36:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_39\r
+\r
+       ALIGN_4\r
+\r
+.L1_37:\r
+\r
+       KERNEL2x1_SUB\r
+\r
+       dec %rax\r
+       jne     .L1_37\r
+\r
+.L1_39:\r
+\r
+       SAVE2x1\r
+\r
+.L1_40:\r
+       testq   $1, M           \r
+       jz      .L1_100         // to next 3 lines of N\r
+\r
+\r
+.L1_41:\r
+        movq    B, BO             // first buffer to BO\r
+        addq    $12 * SIZE, BO\r
+\r
+       INIT1x1\r
+\r
+        movq    K, %rax\r
+\r
+       sarq    $3,%rax\r
+       je      .L1_46\r
+\r
+       ALIGN_4\r
+\r
+.L1_42:\r
+\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       dec %rax\r
+       jne     .L1_42\r
+\r
+.L1_46:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_49\r
+\r
+       ALIGN_4\r
+\r
+.L1_47:\r
+\r
+       KERNEL1x1_SUB\r
+\r
+       dec     %rax\r
+       jne     .L1_47\r
+\r
+\r
+.L1_49:\r
+\r
+       SAVE1x1\r
+\r
+.L1_100:\r
+\r
+\r
+\r
+\r
+.L999:\r
+       vzeroupper\r
+\r
+       movq            SP, %rsp\r
+       movq       (%rsp), %rbx\r
+       movq      8(%rsp), %rbp\r
+       movq     16(%rsp), %r12\r
+       movq     24(%rsp), %r13\r
+       movq     32(%rsp), %r14\r
+       movq     40(%rsp), %r15\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq     48(%rsp), %rdi\r
+       movq     56(%rsp), %rsi\r
+       vmovups  64(%rsp), %xmm6\r
+       vmovups  80(%rsp), %xmm7\r
+       vmovups  96(%rsp), %xmm8\r
+       vmovups 112(%rsp), %xmm9\r
+       vmovups 128(%rsp), %xmm10\r
+       vmovups 144(%rsp), %xmm11\r
+       vmovups 160(%rsp), %xmm12\r
+       vmovups 176(%rsp), %xmm13\r
+       vmovups 192(%rsp), %xmm14\r
+       vmovups 208(%rsp), %xmm15\r
+#endif\r
+\r
+       addq    $STACKSIZE, %rsp\r
+       ret\r
+\r
+       EPILOGUE\r
+\r
+\r
+#else\r
+/*************************************************************************************\r
+* TRMM Kernel\r
+*************************************************************************************/\r
+\r
+\r
+       PROLOGUE\r
+       PROFCODE\r
+       \r
+       subq    $STACKSIZE, %rsp\r
+       movq    %rbx,   (%rsp)\r
+       movq    %rbp,  8(%rsp)\r
+       movq    %r12, 16(%rsp)\r
+       movq    %r13, 24(%rsp)\r
+       movq    %r14, 32(%rsp)\r
+       movq    %r15, 40(%rsp)\r
+\r
+       vzeroupper\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq    %rdi,    48(%rsp)\r
+       movq    %rsi,    56(%rsp)\r
+       vmovups %xmm6,   64(%rsp)\r
+       vmovups %xmm7,   80(%rsp)\r
+       vmovups %xmm8,   96(%rsp)\r
+       vmovups %xmm9,  112(%rsp)\r
+       vmovups %xmm10, 128(%rsp)\r
+       vmovups %xmm11, 144(%rsp)\r
+       vmovups %xmm12, 160(%rsp)\r
+       vmovups %xmm13, 176(%rsp)\r
+       vmovups %xmm14, 192(%rsp)\r
+       vmovups %xmm15, 208(%rsp)\r
+\r
+       movq    ARG1,      OLD_M\r
+       movq    ARG2,      OLD_N\r
+       movq    ARG3,      OLD_K\r
+       movq    OLD_A,     A\r
+       movq    OLD_B,     B\r
+       movq    OLD_C,     C\r
+       movq    OLD_LDC,   LDC\r
+#ifdef TRMMKERNEL\r
+       vmovsd  OLD_OFFSET, %xmm12\r
+#endif\r
+       vmovups %xmm3, %xmm0\r
+\r
+#else\r
+       movq    STACKSIZE +  8(%rsp), LDC\r
+#ifdef TRMMKERNEL\r
+       vmovsd  STACKSIZE + 16(%rsp), %xmm12\r
+#endif\r
+\r
+#endif\r
+\r
+       movq    %rsp, SP      # save old stack\r
+        subq    $128 + L_BUFFER_SIZE, %rsp\r
+        andq    $-4096, %rsp    # align stack\r
+\r
+        STACK_TOUCH\r
+\r
+       cmpq    $0, OLD_M\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_N\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_K\r
+       je      .L999\r
+\r
+       movq    OLD_M, M\r
+       movq    OLD_N, N\r
+       movq    OLD_K, K\r
+\r
+       vmovsd   %xmm0, ALPHA\r
+\r
+       salq    $BASE_SHIFT, LDC\r
+\r
+       movq    N, %rax\r
+        xorq    %rdx, %rdx\r
+        movq    $4,  %rdi\r
+        divq    %rdi                     //    N / 4\r
+        movq    %rax, Ndiv12             //    N / 4\r
+        movq    %rdx, Nmod12             //    N % 4\r
+\r
+#ifdef TRMMKERNEL\r
+        vmovsd  %xmm12, OFFSET\r
+        vmovsd  %xmm12, KK\r
+#ifndef LEFT\r
+        negq    KK\r
+#endif  \r
+#endif\r
+\r
+\r
+\r
+       movq    Ndiv12,  J\r
+       cmpq    $0, J\r
+       je      .L2_0\r
+       ALIGN_4\r
+\r
+.L4_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 4), C          // c += 4 * ldc\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        movq    OFFSET, %rax\r
+        movq    %rax, KK\r
+#endif\r
+\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $16 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $2, I                   // i = m / 4\r
+       je      .L4_20\r
+\r
+       ALIGN_4\r
+\r
+.L4_11:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+#else\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+        movq    KK, %rax\r
+       salq    $3, %rax                // rax * SIZE\r
+       leaq    (BO,%rax,4), BO         // add number of values in B\r
+       leaq    (AO,%rax,4), AO         // add number of values in A\r
+#endif\r
+\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $4, %rax        // number of values in AO\r
+#else\r
+        addq    $4, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       sarq    $3, %rax                        //  K / 8\r
+       cmpq    $2, %rax\r
+       jl      .L4_13\r
+\r
+\r
+       KERNEL4x4_I\r
+       KERNEL4x4_M2\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+\r
+       subq $2, %rax\r
+       je      .L4_12a\r
+\r
+       .align 32\r
+\r
+.L4_12:\r
+\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+\r
+       dec     %rax\r
+       jne     .L4_12\r
+\r
+.L4_12a:\r
+\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_E\r
+\r
+       jmp .L4_16\r
+\r
+\r
+.L4_13:\r
+\r
+       test $1, %rax\r
+       jz .L4_14\r
+\r
+       KERNEL4x4_I\r
+       KERNEL4x4_M2\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_M2\r
+       KERNEL4x4_M1\r
+       KERNEL4x4_E\r
+\r
+       jmp .L4_16\r
+\r
+\r
+.L4_14:\r
+\r
+       INIT4x4\r
+\r
+\r
+.L4_16:\r
+        movq    KKK, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L4_19\r
+\r
+       ALIGN_4\r
+\r
+.L4_17:\r
+\r
+       KERNEL4x4_SUB\r
+\r
+       dec     %rax\r
+       jne     .L4_17\r
+       ALIGN_4\r
+\r
+\r
+.L4_19:\r
+\r
+       SAVE4x4\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       salq    $3, %rax                        // rax + SIZE\r
+        leaq    (BO, %rax, 4), BO              // number of values in B\r
+        leaq    (AO, %rax, 4), AO              // number of values in A\r
+#endif\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $4, KK                         // number of values in A\r
+#endif\r
+\r
+       decq    I                       # i --\r
+       jg      .L4_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L4_20:\r
+       // Test rest of M\r
+\r
+       testq   $3, M\r
+       jz      .L4_100                 // to next 16 lines of N\r
+\r
+\r
+.L4_30:\r
+       testq   $2, M           \r
+       jz      .L4_40\r
+\r
+       ALIGN_4\r
+\r
+.L4_31:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+#else\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+        movq    KK, %rax\r
+       salq    $3, %rax                // rax * SIZE\r
+       leaq    (BO,%rax,4), BO         // add number of values in B\r
+       leaq    (AO,%rax,2), AO         // add number of values in A\r
+#endif\r
+\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $2, %rax        // number of values in AO\r
+#else\r
+        addq    $4, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       INIT2x4\r
+\r
+       sarq    $3, %rax\r
+       je      .L4_36\r
+       ALIGN_4\r
+\r
+.L4_32:\r
+\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+\r
+       dec %rax\r
+       jne     .L4_32\r
+       ALIGN_4\r
+\r
+.L4_36:\r
+        movq    KKK, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L4_39\r
+\r
+       ALIGN_4\r
+\r
+.L4_37:\r
+\r
+       KERNEL2x4_SUB\r
+\r
+       dec %rax\r
+       jne     .L4_37\r
+\r
+\r
+.L4_39:\r
+\r
+       SAVE2x4\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       salq    $3, %rax                        // rax + SIZE\r
+        leaq    (BO, %rax, 4), BO              // number of values in B\r
+        leaq    (AO, %rax, 2), AO              // number of values in A\r
+#endif\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $2, KK                         // number of values in A\r
+#endif\r
+\r
+\r
+.L4_40:\r
+       testq   $1, M           \r
+       jz      .L4_100         // to next 3 lines of N\r
+\r
+       ALIGN_4\r
+\r
+.L4_41:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+#else\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+        movq    KK, %rax\r
+       salq    $3, %rax                // rax * SIZE\r
+       leaq    (BO,%rax,4), BO         // add number of values in B\r
+       leaq    (AO,%rax,1), AO         // add number of values in A\r
+#endif\r
+\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $1, %rax        // number of values in AO\r
+#else\r
+        addq    $4, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       INIT1x4\r
+\r
+       sarq    $3,%rax\r
+       je      .L4_46\r
+\r
+       ALIGN_4\r
+\r
+.L4_42:\r
+\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+\r
+       dec %rax\r
+       jne     .L4_42\r
+       ALIGN_4\r
+\r
+.L4_46:\r
+        movq    KKK, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L4_49\r
+\r
+       ALIGN_4\r
+\r
+.L4_47:\r
+\r
+       KERNEL1x4_SUB\r
+\r
+       dec     %rax\r
+       jne     .L4_47\r
+       ALIGN_4\r
+\r
+\r
+.L4_49:\r
+\r
+       SAVE1x4\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       salq    $3, %rax                        // rax + SIZE\r
+        leaq    (BO, %rax, 4), BO              // number of values in B\r
+        leaq    (AO, %rax, 1), AO              // number of values in A\r
+#endif\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $1, KK                         // number of values in A\r
+#endif\r
+\r
+.L4_100:\r
+\r
+#if defined(TRMMKERNEL) && !defined(LEFT)\r
+        addq    $4, KK                         // number of values in B\r
+#endif\r
+\r
+\r
+       movq    K, %rax\r
+       salq    $2, %rax                // * 4\r
+       leaq    (B , %rax, SIZE), B\r
+       decq    J                       // j --\r
+       jg      .L4_10\r
+\r
+\r
+\r
+\r
+/***************************************************************************************************************/\r
+\r
+.L2_0:\r
+\r
+       movq    Nmod12, J               \r
+       testq   $2, J\r
+       je      .L1_0\r
+\r
+.L2_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 2), C          // c += 2 * ldc\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        movq    OFFSET, %rax\r
+        movq    %rax, KK\r
+#endif\r
+\r
+\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $16 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $2, I                   // i = m / 4\r
+       je      .L2_20\r
+\r
+       ALIGN_4\r
+\r
+.L2_11:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+#else\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+        movq    KK, %rax\r
+       salq    $3, %rax                // rax * SIZE\r
+       leaq    (BO,%rax,2), BO         // add number of values in B\r
+       leaq    (AO,%rax,4), AO         // add number of values in A\r
+#endif\r
+\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $4, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       INIT4x2\r
+\r
+       sarq $3, %rax                   //  K / 8\r
+\r
+       je      .L2_16\r
+\r
+       .align 32\r
+\r
+.L2_12:\r
+\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+\r
+       dec     %rax\r
+       jne     .L2_12\r
+\r
+\r
+.L2_16:\r
+        movq    KKK, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_19\r
+\r
+       ALIGN_4\r
+\r
+.L2_17:\r
+\r
+       KERNEL4x2_SUB\r
+\r
+       dec     %rax\r
+       jne     .L2_17\r
+       ALIGN_4\r
+\r
+\r
+.L2_19:\r
+\r
+       SAVE4x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       salq    $3, %rax                        // rax + SIZE\r
+        leaq    (BO, %rax, 2), BO              // number of values in B\r
+        leaq    (AO, %rax, 4), AO              // number of values in A\r
+#endif\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $4, KK                         // number of values in A\r
+#endif\r
+\r
+\r
+       decq    I                       # i --\r
+       jg      .L2_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L2_20:\r
+       // Test rest of M\r
+\r
+       testq   $3, M\r
+       jz      .L2_100                 // to next 16 lines of N\r
+\r
+\r
+.L2_30:\r
+       testq   $2, M           \r
+       jz      .L2_40\r
+\r
+       ALIGN_4\r
+\r
+.L2_31:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+#else\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+        movq    KK, %rax\r
+       salq    $3, %rax                // rax * SIZE\r
+       leaq    (BO,%rax,2), BO         // add number of values in B\r
+       leaq    (AO,%rax,2), AO         // add number of values in A\r
+#endif\r
+\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $2, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       INIT2x2\r
+\r
+       sarq    $3, %rax\r
+       je      .L2_36\r
+       ALIGN_4\r
+\r
+.L2_32:\r
+\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       dec %rax\r
+       jne     .L2_32\r
+\r
+.L2_36:\r
+        movq    KKK, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_39\r
+\r
+       ALIGN_4\r
+\r
+.L2_37:\r
+\r
+       KERNEL2x2_SUB\r
+\r
+       dec %rax\r
+       jne     .L2_37\r
+\r
+\r
+.L2_39:\r
+\r
+       SAVE2x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       salq    $3, %rax                        // rax + SIZE\r
+        leaq    (BO, %rax, 2), BO              // number of values in B\r
+        leaq    (AO, %rax, 2), AO              // number of values in A\r
+#endif\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $2, KK                         // number of values in A\r
+#endif\r
+\r
+\r
+.L2_40:\r
+       testq   $1, M           \r
+       jz      .L2_100         // to next 3 lines of N\r
+\r
+.L2_41:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+#else\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+        movq    KK, %rax\r
+       salq    $3, %rax                // rax * SIZE\r
+       leaq    (BO,%rax,2), BO         // add number of values in B\r
+       leaq    (AO,%rax,1), AO         // add number of values in A\r
+#endif\r
+\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $1, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       INIT1x2\r
+\r
+       sarq    $3,%rax\r
+       je      .L2_46\r
+\r
+       ALIGN_4\r
+\r
+.L2_42:\r
+\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       dec %rax\r
+       jne     .L2_42\r
+\r
+.L2_46:\r
+        movq    KKK, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_49\r
+\r
+       ALIGN_4\r
+\r
+.L2_47:\r
+\r
+       KERNEL1x2_SUB\r
+\r
+       dec     %rax\r
+       jne     .L2_47\r
+\r
+.L2_49:\r
+\r
+       SAVE1x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       salq    $3, %rax                        // rax * SIZE\r
+        leaq    (BO, %rax, 2), BO              // number of values in B\r
+        leaq    (AO, %rax, 1), AO              // number of values in A\r
+#endif\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $1, KK                         // number of values in A\r
+#endif\r
+\r
+\r
+.L2_100:\r
+\r
+\r
+#if defined(TRMMKERNEL) && !defined(LEFT)\r
+        addq    $2, KK                         // number of values in B\r
+#endif\r
+\r
+       movq    K, %rax\r
+       salq    $1, %rax                // * 2\r
+       leaq    (B , %rax, SIZE), B\r
+\r
+/***************************************************************************************************************/\r
+\r
+.L1_0:\r
+\r
+       movq    Nmod12, J               \r
+       testq   $1, J\r
+       je      .L999\r
+\r
+.L1_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 1), C          // c += 1 * ldc\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        movq    OFFSET, %rax\r
+        movq    %rax, KK\r
+#endif\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $16 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $2, I                   // i = m / 4\r
+       je      .L1_20\r
+\r
+       ALIGN_4\r
+\r
+.L1_11:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+#else\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+        movq    KK, %rax\r
+       salq    $3, %rax                // rax * SIZE\r
+       leaq    (BO,%rax,1), BO         // add number of values in B\r
+       leaq    (AO,%rax,4), AO         // add number of values in A\r
+#endif\r
+\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $4, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       INIT4x1\r
+\r
+       sarq    $3, %rax                        //  K / 8\r
+       je      .L1_16\r
+\r
+       .align 32\r
+\r
+.L1_12:\r
+\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       dec     %rax\r
+       jne     .L1_12\r
+\r
+\r
+.L1_16:\r
+        movq    KKK, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_19\r
+\r
+       ALIGN_4\r
+\r
+.L1_17:\r
+\r
+       KERNEL4x1_SUB\r
+\r
+       dec     %rax\r
+       jne     .L1_17\r
+       ALIGN_4\r
+\r
+\r
+.L1_19:\r
+\r
+       SAVE4x1\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       salq    $3, %rax                        // rax * SIZE\r
+        leaq    (BO, %rax, 1), BO              // number of values in B\r
+        leaq    (AO, %rax, 4), AO              // number of values in A\r
+#endif\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $4, KK                         // number of values in A\r
+#endif\r
+\r
+\r
+       decq    I                       # i --\r
+       jg      .L1_11\r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L1_20:\r
+       // Test rest of M\r
+\r
+       testq   $3, M\r
+       jz      .L1_100 \r
+\r
+\r
+.L1_30:\r
+       testq   $2, M           \r
+       jz      .L1_40\r
+\r
+       ALIGN_4\r
+\r
+.L1_31:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+#else\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+        movq    KK, %rax\r
+       salq    $3, %rax                // rax * SIZE\r
+       leaq    (BO,%rax,1), BO         // add number of values in B\r
+       leaq    (AO,%rax,2), AO         // add number of values in A\r
+#endif\r
+\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $2, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       INIT2x1\r
+\r
+       sarq    $3, %rax\r
+       je      .L1_36\r
+       ALIGN_4\r
+\r
+.L1_32:\r
+\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+\r
+       dec %rax\r
+       jne     .L1_32\r
+\r
+.L1_36:\r
+        movq    KKK, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_39\r
+\r
+       ALIGN_4\r
+\r
+.L1_37:\r
+\r
+       KERNEL2x1_SUB\r
+\r
+       dec %rax\r
+       jne     .L1_37\r
+\r
+.L1_39:\r
+\r
+       SAVE2x1\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       salq    $3, %rax                        // rax * SIZE\r
+        leaq    (BO, %rax, 1), BO              // number of values in B\r
+        leaq    (AO, %rax, 2), AO              // number of values in A\r
+#endif\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $2, KK                         // number of values in A\r
+#endif\r
+\r
+\r
+.L1_40:\r
+       testq   $1, M           \r
+       jz      .L1_100         // to next 3 lines of N\r
+\r
+\r
+.L1_41:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+#else\r
+        movq    B, BO        \r
+        addq    $12 * SIZE, BO\r
+        movq    KK, %rax\r
+       salq    $3, %rax                // rax * SIZE\r
+       leaq    (BO,%rax,1), BO         // add number of values in B\r
+       leaq    (AO,%rax,1), AO         // add number of values in A\r
+#endif\r
+\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $1, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       INIT1x1\r
+\r
+       sarq    $3,%rax\r
+       je      .L1_46\r
+\r
+       ALIGN_4\r
+\r
+.L1_42:\r
+\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       dec %rax\r
+       jne     .L1_42\r
+\r
+.L1_46:\r
+        movq    KKK, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_49\r
+\r
+       ALIGN_4\r
+\r
+.L1_47:\r
+\r
+       KERNEL1x1_SUB\r
+\r
+       dec     %rax\r
+       jne     .L1_47\r
+\r
+\r
+.L1_49:\r
+\r
+       SAVE1x1\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       salq    $3, %rax                        // rax * SIZE\r
+        leaq    (BO, %rax, 1), BO              // number of values in B\r
+        leaq    (AO, %rax, 1), AO              // number of values in A\r
+#endif\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $1, KK                         // number of values in A\r
+#endif\r
+\r
+\r
+\r
+.L1_100:\r
+\r
+\r
+#if defined(TRMMKERNEL) && !defined(LEFT)\r
+        addq    $1, KK                         // number of values in B\r
+#endif\r
+\r
+\r
+\r
+.L999:\r
+\r
+       vzeroupper\r
+\r
+       movq            SP, %rsp\r
+       movq       (%rsp), %rbx\r
+       movq      8(%rsp), %rbp\r
+       movq     16(%rsp), %r12\r
+       movq     24(%rsp), %r13\r
+       movq     32(%rsp), %r14\r
+       movq     40(%rsp), %r15\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq     48(%rsp), %rdi\r
+       movq     56(%rsp), %rsi\r
+       vmovups  64(%rsp), %xmm6\r
+       vmovups  80(%rsp), %xmm7\r
+       vmovups  96(%rsp), %xmm8\r
+       vmovups 112(%rsp), %xmm9\r
+       vmovups 128(%rsp), %xmm10\r
+       vmovups 144(%rsp), %xmm11\r
+       vmovups 160(%rsp), %xmm12\r
+       vmovups 176(%rsp), %xmm13\r
+       vmovups 192(%rsp), %xmm14\r
+       vmovups 208(%rsp), %xmm15\r
+#endif\r
+\r
+       addq    $STACKSIZE, %rsp\r
+       ret\r
+\r
+       EPILOGUE\r
+\r
+\r
+\r
+\r
+\r
+#endif\r
diff --git a/kernel/x86_64/sgemm_kernel_16x4_haswell.S b/kernel/x86_64/sgemm_kernel_16x4_haswell.S
new file mode 100644 (file)
index 0000000..2f1434f
--- /dev/null
@@ -0,0 +1,3159 @@
+/*********************************************************************************\r
+Copyright (c) 2013, The OpenBLAS Project\r
+All rights reserved.\r
+Redistribution and use in source and binary forms, with or without\r
+modification, are permitted provided that the following conditions are\r
+met:\r
+1. Redistributions of source code must retain the above copyright\r
+notice, this list of conditions and the following disclaimer.\r
+2. Redistributions in binary form must reproduce the above copyright\r
+notice, this list of conditions and the following disclaimer in\r
+the documentation and/or other materials provided with the\r
+distribution.\r
+3. Neither the name of the OpenBLAS project nor the names of\r
+its contributors may be used to endorse or promote products\r
+derived from this software without specific prior written permission.\r
+THIS SOFTWARE IS PROVIDED BY THE COPYRIGHT HOLDERS AND CONTRIBUTORS "AS IS"\r
+AND ANY EXPRESS OR IMPLIED WARRANTIES, INCLUDING, BUT NOT LIMITED TO, THE\r
+IMPLIED WARRANTIES OF MERCHANTABILITY AND FITNESS FOR A PARTICULAR PURPOSE\r
+ARE DISCLAIMED. IN NO EVENT SHALL THE OPENBLAS PROJECT OR CONTRIBUTORS BE\r
+LIABLE FOR ANY DIRECT, INDIRECT, INCIDENTAL, SPECIAL, EXEMPLARY, OR CONSEQUENTIAL\r
+DAMAGES (INCLUDING, BUT NOT LIMITED TO, PROCUREMENT OF SUBSTITUTE GOODS OR\r
+SERVICES; LOSS OF USE, DATA, OR PROFITS; OR BUSINESS INTERRUPTION) HOWEVER\r
+CAUSED AND ON ANY THEORY OF LIABILITY, WHETHER IN CONTRACT, STRICT LIABILITY,\r
+OR TORT (INCLUDING NEGLIGENCE OR OTHERWISE) ARISING IN ANY WAY OUT OF THE\r
+USE OF THIS SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF SUCH DAMAGE.\r
+**********************************************************************************/\r
+\r
+/*********************************************************************\r
+* 2013/11/13 Saar\r
+*        BLASTEST               : OK\r
+*        CTEST                  : OK\r
+*        TEST                   : OK\r
+*\r
+* 2013/10/28 Saar\r
+* Parameter:\r
+*      SGEMM_DEFAULT_UNROLL_N  4\r
+*      SGEMM_DEFAULT_UNROLL_M  16\r
+*      SGEMM_DEFAULT_P         768\r
+*      SGEMM_DEFAULT_Q         384\r
+*      A_PR1                   512\r
+*      B_PR1                   512\r
+*      \r
+*\r
+* Performance at 9216x9216x9216:\r
+*       1 thread:       86 GFLOPS       (SANDYBRIDGE:  59)      (MKL:   83)\r
+*       2 threads:     157 GFLOPS       (SANDYBRIDGE: 116)      (MKL:  155)\r
+*       3 threads:     235 GFLOPS       (SANDYBRIDGE: 165)      (MKL:  230)\r
+*       4 threads:     288 GFLOPS       (SANDYBRIDGE: 223)      (MKL:  267)\r
+*\r
+*********************************************************************/\r
+\r
+#define ASSEMBLER\r
+#include "common.h"\r
\r
+#define OLD_M  %rdi\r
+#define OLD_N  %rsi\r
+#define M      %r13\r
+#define J      %r14\r
+#define OLD_K  %rdx\r
+\r
+#define A      %rcx\r
+#define B      %r8\r
+#define C      %r9\r
+#define LDC    %r10\r
+       \r
+#define I      %r11\r
+#define AO     %rdi\r
+#define BO     %rsi\r
+#define        CO1     %r15\r
+#define K      %r12\r
+#define BI     %rbp\r
+#define        SP      %rbx\r
+\r
+#define BO1    %rdi\r
+#define        CO2     %rdx\r
+\r
+#ifndef WINDOWS_ABI\r
+\r
+#define STACKSIZE 96\r
+\r
+#else\r
+\r
+#define STACKSIZE 256\r
+\r
+#define OLD_A          40 + STACKSIZE(%rsp)\r
+#define OLD_B          48 + STACKSIZE(%rsp)\r
+#define OLD_C          56 + STACKSIZE(%rsp)\r
+#define OLD_LDC                64 + STACKSIZE(%rsp)\r
+#define OLD_OFFSET     72 + STACKSIZE(%rsp)\r
+\r
+#endif\r
+\r
+#define L_BUFFER_SIZE 512*8*4\r
+#define LB2_OFFSET    512*8*2\r
+\r
+#define Ndiv6   24(%rsp)\r
+#define Nmod6   32(%rsp)\r
+#define N       40(%rsp)\r
+#define ALPHA   48(%rsp)\r
+#define OFFSET  56(%rsp)\r
+#define KK      64(%rsp)\r
+#define KKK     72(%rsp)\r
+#define BUFFER1                   128(%rsp)\r
+#define BUFFER2        LB2_OFFSET+128(%rsp)\r
+\r
+#if defined(OS_WINDOWS)\r
+#if   L_BUFFER_SIZE > 16384\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 4(%rsp);\\r
+        movl    $0,  4096 * 3(%rsp);\\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 12288\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 3(%rsp);\\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 8192\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 4096\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 1(%rsp);\r
+#else\r
+#define STACK_TOUCH\r
+#endif\r
+#else\r
+#define STACK_TOUCH\r
+#endif\r
+\r
+#if defined(BULLDOZER)\r
+\r
+#define VFMADD231PS_( y0,y1,y2 ) vfmaddps y0,y1,y2,y0\r
+\r
+#define VFMADD231SS_( x0,x1,x2 ) vfmaddss x0,x1,x2,x0\r
+\r
+#else\r
+\r
+#define VFMADD231PS_( y0,y1,y2 ) vfmadd231ps y1,y2,y0\r
+\r
+#define VFMADD231SS_( x0,x1,x2 ) vfmadd231ss x1,x2,x0\r
+\r
+#endif\r
+\r
+\r
+#define        A_PR1   512\r
+#define        B_PR1   512\r
+\r
+/*******************************************************************************************\r
+* 4 lines of N\r
+*******************************************************************************************/\r
+\r
+.macro KERNEL16x4_SUB\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %ymm0\r
+       vmovups          -8 * SIZE(AO, %rax, SIZE), %ymm1\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %ymm2\r
+       vbroadcastss     -3 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PS_(   %ymm4,%ymm2,%ymm0 )\r
+       VFMADD231PS_(   %ymm5,%ymm2,%ymm1 )\r
+       VFMADD231PS_(   %ymm6,%ymm3,%ymm0 )\r
+       VFMADD231PS_(   %ymm7,%ymm3,%ymm1 )\r
+       vbroadcastss     -2 * SIZE(BO, BI, SIZE), %ymm2\r
+       vbroadcastss     -1 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PS_(   %ymm8,%ymm2,%ymm0  )\r
+       VFMADD231PS_(   %ymm9,%ymm2,%ymm1  )\r
+       VFMADD231PS_(   %ymm10,%ymm3,%ymm0 )\r
+       VFMADD231PS_(   %ymm11,%ymm3,%ymm1 )\r
+       addq    $4 , BI \r
+       addq    $16, %rax \r
+.endm\r
+\r
+.macro SAVE16x4\r
+\r
+       vbroadcastss    ALPHA, %ymm0\r
+\r
+       vmulps  %ymm0 , %ymm4 , %ymm4\r
+       vmulps  %ymm0 , %ymm5 , %ymm5\r
+       vmulps  %ymm0 , %ymm6 , %ymm6\r
+       vmulps  %ymm0 , %ymm7 , %ymm7\r
+       vmulps  %ymm0 , %ymm8 , %ymm8\r
+       vmulps  %ymm0 , %ymm9 , %ymm9\r
+       vmulps  %ymm0 , %ymm10, %ymm10\r
+       vmulps  %ymm0 , %ymm11, %ymm11\r
+\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddps          (CO1), %ymm4,%ymm4\r
+       vaddps  8 * SIZE(CO1), %ymm5,%ymm5\r
+\r
+       vaddps          (CO1, LDC), %ymm6,%ymm6\r
+       vaddps  8 * SIZE(CO1, LDC), %ymm7,%ymm7\r
+\r
+       vaddps          (CO2), %ymm8,%ymm8\r
+       vaddps  8 * SIZE(CO2), %ymm9,%ymm9\r
+\r
+       vaddps          (CO2, LDC), %ymm10,%ymm10\r
+       vaddps  8 * SIZE(CO2, LDC), %ymm11,%ymm11\r
+\r
+#endif\r
+\r
+       vmovups %ymm4 ,         (CO1)\r
+       vmovups %ymm5 , 8 * SIZE(CO1)\r
+\r
+       vmovups %ymm6 ,         (CO1, LDC)\r
+       vmovups %ymm7 , 8 * SIZE(CO1, LDC)\r
+\r
+       vmovups %ymm8 ,         (CO2)\r
+       vmovups %ymm9 , 8 * SIZE(CO2)\r
+\r
+       vmovups %ymm10,         (CO2, LDC)\r
+       vmovups %ymm11, 8 * SIZE(CO2, LDC)\r
+\r
+       prefetcht0      64(CO1)\r
+       prefetcht0      64(CO1, LDC)\r
+       prefetcht0      64(CO2)\r
+       prefetcht0      64(CO2, LDC)\r
+\r
+.endm\r
+\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL8x4_SUB\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %ymm0\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %ymm2\r
+       vbroadcastss     -3 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PS_(   %ymm4,%ymm2,%ymm0 )\r
+       VFMADD231PS_(   %ymm6,%ymm3,%ymm0 )\r
+       vbroadcastss     -2 * SIZE(BO, BI, SIZE), %ymm2\r
+       vbroadcastss     -1 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PS_(   %ymm8,%ymm2,%ymm0  )\r
+       VFMADD231PS_(   %ymm10,%ymm3,%ymm0 )\r
+       addq    $4 , BI \r
+       addq    $8 , %rax \r
+.endm\r
+\r
+.macro SAVE8x4\r
+\r
+       vbroadcastss    ALPHA, %ymm0\r
+\r
+       vmulps  %ymm0 , %ymm4 , %ymm4\r
+       vmulps  %ymm0 , %ymm6 , %ymm6\r
+       vmulps  %ymm0 , %ymm8 , %ymm8\r
+       vmulps  %ymm0 , %ymm10, %ymm10\r
+\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddps          (CO1), %ymm4,%ymm4\r
+       vaddps          (CO1, LDC), %ymm6,%ymm6\r
+       vaddps          (CO2), %ymm8,%ymm8\r
+       vaddps          (CO2, LDC), %ymm10,%ymm10\r
+\r
+#endif\r
+\r
+       vmovups %ymm4 ,         (CO1)\r
+       vmovups %ymm6 ,         (CO1, LDC)\r
+       vmovups %ymm8 ,         (CO2)\r
+       vmovups %ymm10,         (CO2, LDC)\r
+\r
+.endm\r
+\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL4x4_SUB\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %xmm2\r
+       vbroadcastss     -3 * SIZE(BO, BI, SIZE), %xmm3\r
+       VFMADD231PS_(   %xmm4,%xmm2,%xmm0 )\r
+       VFMADD231PS_(   %xmm6,%xmm3,%xmm0 )\r
+       vbroadcastss     -2 * SIZE(BO, BI, SIZE), %xmm2\r
+       vbroadcastss     -1 * SIZE(BO, BI, SIZE), %xmm3\r
+       VFMADD231PS_(   %xmm8,%xmm2,%xmm0  )\r
+       VFMADD231PS_(   %xmm10,%xmm3,%xmm0 )\r
+       addq    $4 , BI \r
+       addq    $4 , %rax \r
+.endm\r
+\r
+.macro SAVE4x4\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+       vmulps  %xmm0 , %xmm4 , %xmm4\r
+       vmulps  %xmm0 , %xmm6 , %xmm6\r
+       vmulps  %xmm0 , %xmm8 , %xmm8\r
+       vmulps  %xmm0 , %xmm10, %xmm10\r
+\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddps          (CO1), %xmm4,%xmm4\r
+       vaddps          (CO1, LDC), %xmm6,%xmm6\r
+       vaddps          (CO2), %xmm8,%xmm8\r
+       vaddps          (CO2, LDC), %xmm10,%xmm10\r
+\r
+#endif\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm6 ,         (CO1, LDC)\r
+       vmovups %xmm8 ,         (CO2)\r
+       vmovups %xmm10,         (CO2, LDC)\r
+\r
+.endm\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL2x4_SUB\r
+       vmovss  -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+       vmovss  -15 * SIZE(AO, %rax, SIZE), %xmm1\r
+       vmovss   -4 * SIZE(BO, BI, SIZE), %xmm2\r
+       vmovss   -3 * SIZE(BO, BI, SIZE), %xmm3\r
+       VFMADD231SS_(   %xmm4,%xmm2,%xmm0 )\r
+       VFMADD231SS_(   %xmm5,%xmm2,%xmm1 )\r
+       VFMADD231SS_(   %xmm6,%xmm3,%xmm0 )\r
+       VFMADD231SS_(   %xmm7,%xmm3,%xmm1 )\r
+       vmovss   -2 * SIZE(BO, BI, SIZE), %xmm2\r
+       vmovss   -1 * SIZE(BO, BI, SIZE), %xmm3\r
+       VFMADD231SS_(   %xmm8,%xmm2,%xmm0  )\r
+       VFMADD231SS_(   %xmm9,%xmm2,%xmm1  )\r
+       VFMADD231SS_(   %xmm10,%xmm3,%xmm0 )\r
+       VFMADD231SS_(   %xmm11,%xmm3,%xmm1 )\r
+       addq    $4 , BI \r
+       addq    $2, %rax \r
+.endm\r
+\r
+.macro SAVE2x4\r
+\r
+       vmovss  ALPHA, %xmm0\r
+\r
+       vmulss  %xmm0 , %xmm4 , %xmm4\r
+       vmulss  %xmm0 , %xmm5 , %xmm5\r
+       vmulss  %xmm0 , %xmm6 , %xmm6\r
+       vmulss  %xmm0 , %xmm7 , %xmm7\r
+       vmulss  %xmm0 , %xmm8 , %xmm8\r
+       vmulss  %xmm0 , %xmm9 , %xmm9\r
+       vmulss  %xmm0 , %xmm10, %xmm10\r
+       vmulss  %xmm0 , %xmm11, %xmm11\r
+\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddps          (CO1), %xmm4,%xmm4\r
+       vaddps  1 * SIZE(CO1), %xmm5,%xmm5\r
+\r
+       vaddps          (CO1, LDC), %xmm6,%xmm6\r
+       vaddps  1 * SIZE(CO1, LDC), %xmm7,%xmm7\r
+\r
+       vaddps          (CO2), %xmm8,%xmm8\r
+       vaddps  1 * SIZE(CO2), %xmm9,%xmm9\r
+\r
+       vaddps          (CO2, LDC), %xmm10,%xmm10\r
+       vaddps  1 * SIZE(CO2, LDC), %xmm11,%xmm11\r
+\r
+#endif\r
+\r
+       vmovss  %xmm4 ,         (CO1)\r
+       vmovss  %xmm5 , 1 * SIZE(CO1)\r
+\r
+       vmovss  %xmm6 ,         (CO1, LDC)\r
+       vmovss  %xmm7 , 1 * SIZE(CO1, LDC)\r
+\r
+       vmovss  %xmm8 ,         (CO2)\r
+       vmovss  %xmm9 , 1 * SIZE(CO2)\r
+\r
+       vmovss  %xmm10,         (CO2, LDC)\r
+       vmovss  %xmm11, 1 * SIZE(CO2, LDC)\r
+\r
+.endm\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL1x4_SUB\r
+       vmovss  -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+       vmovss   -4 * SIZE(BO, BI, SIZE), %xmm2\r
+       vmovss   -3 * SIZE(BO, BI, SIZE), %xmm3\r
+       VFMADD231SS_(   %xmm4,%xmm2,%xmm0 )\r
+       VFMADD231SS_(   %xmm6,%xmm3,%xmm0 )\r
+       vmovss   -2 * SIZE(BO, BI, SIZE), %xmm2\r
+       vmovss   -1 * SIZE(BO, BI, SIZE), %xmm3\r
+       VFMADD231SS_(   %xmm8,%xmm2,%xmm0  )\r
+       VFMADD231SS_(   %xmm10,%xmm3,%xmm0 )\r
+       addq    $4 , BI \r
+       addq    $1, %rax \r
+.endm\r
+\r
+.macro SAVE1x4\r
+\r
+       vmovss  ALPHA, %xmm0\r
+\r
+       vmulss  %xmm0 , %xmm4 , %xmm4\r
+       vmulss  %xmm0 , %xmm6 , %xmm6\r
+       vmulss  %xmm0 , %xmm8 , %xmm8\r
+       vmulss  %xmm0 , %xmm10, %xmm10\r
+\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddps          (CO1), %xmm4,%xmm4\r
+       vaddps          (CO1, LDC), %xmm6,%xmm6\r
+       vaddps          (CO2), %xmm8,%xmm8\r
+       vaddps          (CO2, LDC), %xmm10,%xmm10\r
+\r
+#endif\r
+\r
+       vmovss  %xmm4 ,         (CO1)\r
+       vmovss  %xmm6 ,         (CO1, LDC)\r
+       vmovss  %xmm8 ,         (CO2)\r
+       vmovss  %xmm10,         (CO2, LDC)\r
+\r
+.endm\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+/*******************************************************************************************\r
+* 2 lines of N\r
+*******************************************************************************************/\r
+\r
+.macro KERNEL16x2_SUB\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %ymm0\r
+       vmovups          -8 * SIZE(AO, %rax, SIZE), %ymm1\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %ymm2\r
+       vbroadcastss     -3 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PS_(   %ymm4,%ymm2,%ymm0 )\r
+       VFMADD231PS_(   %ymm5,%ymm2,%ymm1 )\r
+       VFMADD231PS_(   %ymm6,%ymm3,%ymm0 )\r
+       VFMADD231PS_(   %ymm7,%ymm3,%ymm1 )\r
+       addq    $2 , BI \r
+       addq    $16, %rax \r
+.endm\r
+\r
+.macro SAVE16x2\r
+\r
+       vbroadcastss    ALPHA, %ymm0\r
+\r
+       vmulps  %ymm0 , %ymm4 , %ymm4\r
+       vmulps  %ymm0 , %ymm5 , %ymm5\r
+       vmulps  %ymm0 , %ymm6 , %ymm6\r
+       vmulps  %ymm0 , %ymm7 , %ymm7\r
+\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddps          (CO1), %ymm4,%ymm4\r
+       vaddps  8 * SIZE(CO1), %ymm5,%ymm5\r
+\r
+       vaddps          (CO1, LDC), %ymm6,%ymm6\r
+       vaddps  8 * SIZE(CO1, LDC), %ymm7,%ymm7\r
+\r
+#endif\r
+\r
+       vmovups %ymm4 ,         (CO1)\r
+       vmovups %ymm5 , 8 * SIZE(CO1)\r
+\r
+       vmovups %ymm6 ,         (CO1, LDC)\r
+       vmovups %ymm7 , 8 * SIZE(CO1, LDC)\r
+\r
+.endm\r
+\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL8x2_SUB\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %ymm0\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %ymm2\r
+       vbroadcastss     -3 * SIZE(BO, BI, SIZE), %ymm3\r
+       VFMADD231PS_(   %ymm4,%ymm2,%ymm0 )\r
+       VFMADD231PS_(   %ymm6,%ymm3,%ymm0 )\r
+       addq    $2 , BI \r
+       addq    $8 , %rax \r
+.endm\r
+\r
+.macro SAVE8x2\r
+\r
+       vbroadcastss    ALPHA, %ymm0\r
+\r
+       vmulps  %ymm0 , %ymm4 , %ymm4\r
+       vmulps  %ymm0 , %ymm6 , %ymm6\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddps          (CO1), %ymm4,%ymm4\r
+       vaddps          (CO1, LDC), %ymm6,%ymm6\r
+\r
+#endif\r
+\r
+       vmovups %ymm4 ,         (CO1)\r
+       vmovups %ymm6 ,         (CO1, LDC)\r
+\r
+.endm\r
+\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL4x2_SUB\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %xmm2\r
+       vbroadcastss     -3 * SIZE(BO, BI, SIZE), %xmm3\r
+       VFMADD231PS_(   %xmm4,%xmm2,%xmm0 )\r
+       VFMADD231PS_(   %xmm6,%xmm3,%xmm0 )\r
+       addq    $2 , BI \r
+       addq    $4 , %rax \r
+.endm\r
+\r
+.macro SAVE4x2\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+       vmulps  %xmm0 , %xmm4 , %xmm4\r
+       vmulps  %xmm0 , %xmm6 , %xmm6\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddps          (CO1), %xmm4,%xmm4\r
+       vaddps          (CO1, LDC), %xmm6,%xmm6\r
+\r
+#endif\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm6 ,         (CO1, LDC)\r
+\r
+.endm\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL2x2_SUB\r
+       vmovss  -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+       vmovss  -15 * SIZE(AO, %rax, SIZE), %xmm1\r
+       vmovss   -4 * SIZE(BO, BI, SIZE), %xmm2\r
+       vmovss   -3 * SIZE(BO, BI, SIZE), %xmm3\r
+       VFMADD231SS_(   %xmm4,%xmm2,%xmm0 )\r
+       VFMADD231SS_(   %xmm5,%xmm2,%xmm1 )\r
+       VFMADD231SS_(   %xmm6,%xmm3,%xmm0 )\r
+       VFMADD231SS_(   %xmm7,%xmm3,%xmm1 )\r
+       addq    $2 , BI \r
+       addq    $2, %rax \r
+.endm\r
+\r
+.macro SAVE2x2\r
+\r
+       vmovss  ALPHA, %xmm0\r
+\r
+       vmulss  %xmm0 , %xmm4 , %xmm4\r
+       vmulss  %xmm0 , %xmm5 , %xmm5\r
+       vmulss  %xmm0 , %xmm6 , %xmm6\r
+       vmulss  %xmm0 , %xmm7 , %xmm7\r
+\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddps          (CO1), %xmm4,%xmm4\r
+       vaddps  1 * SIZE(CO1), %xmm5,%xmm5\r
+\r
+       vaddps          (CO1, LDC), %xmm6,%xmm6\r
+       vaddps  1 * SIZE(CO1, LDC), %xmm7,%xmm7\r
+\r
+#endif\r
+\r
+       vmovss  %xmm4 ,         (CO1)\r
+       vmovss  %xmm5 , 1 * SIZE(CO1)\r
+\r
+       vmovss  %xmm6 ,         (CO1, LDC)\r
+       vmovss  %xmm7 , 1 * SIZE(CO1, LDC)\r
+\r
+.endm\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL1x2_SUB\r
+       vmovss  -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+       vmovss   -4 * SIZE(BO, BI, SIZE), %xmm2\r
+       vmovss   -3 * SIZE(BO, BI, SIZE), %xmm3\r
+       VFMADD231SS_(   %xmm4,%xmm2,%xmm0 )\r
+       VFMADD231SS_(   %xmm6,%xmm3,%xmm0 )\r
+       addq    $2 , BI \r
+       addq    $1, %rax \r
+.endm\r
+\r
+.macro SAVE1x2\r
+\r
+       vmovss  ALPHA, %xmm0\r
+\r
+       vmulss  %xmm0 , %xmm4 , %xmm4\r
+       vmulss  %xmm0 , %xmm6 , %xmm6\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddps          (CO1), %xmm4,%xmm4\r
+       vaddps          (CO1, LDC), %xmm6,%xmm6\r
+\r
+#endif\r
+\r
+       vmovss  %xmm4 ,         (CO1)\r
+       vmovss  %xmm6 ,         (CO1, LDC)\r
+\r
+.endm\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+/*******************************************************************************************\r
+* 1 line of N\r
+*******************************************************************************************/\r
+\r
+.macro KERNEL16x1_SUB\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %ymm0\r
+       vmovups          -8 * SIZE(AO, %rax, SIZE), %ymm1\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PS_(   %ymm4,%ymm2,%ymm0 )\r
+       VFMADD231PS_(   %ymm5,%ymm2,%ymm1 )\r
+       addq    $1 , BI \r
+       addq    $16, %rax \r
+.endm\r
+\r
+.macro SAVE16x1\r
+\r
+       vbroadcastss    ALPHA, %ymm0\r
+\r
+       vmulps  %ymm0 , %ymm4 , %ymm4\r
+       vmulps  %ymm0 , %ymm5 , %ymm5\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddps          (CO1), %ymm4,%ymm4\r
+       vaddps  8 * SIZE(CO1), %ymm5,%ymm5\r
+\r
+#endif\r
+\r
+       vmovups %ymm4 ,         (CO1)\r
+       vmovups %ymm5 , 8 * SIZE(CO1)\r
+\r
+.endm\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL8x1_SUB\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %ymm0\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %ymm2\r
+       VFMADD231PS_(   %ymm4,%ymm2,%ymm0 )\r
+       addq    $1 , BI \r
+       addq    $8 , %rax \r
+.endm\r
+\r
+.macro SAVE8x1\r
+\r
+       vbroadcastss    ALPHA, %ymm0\r
+\r
+       vmulps  %ymm0 , %ymm4 , %ymm4\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddps          (CO1), %ymm4,%ymm4\r
+\r
+#endif\r
+\r
+       vmovups %ymm4 ,         (CO1)\r
+\r
+.endm\r
+\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL4x1_SUB\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231PS_(   %xmm4,%xmm2,%xmm0 )\r
+       addq    $1 , BI \r
+       addq    $4 , %rax \r
+.endm\r
+\r
+.macro SAVE4x1\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+       vmulps  %xmm0 , %xmm4 , %xmm4\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddps          (CO1), %xmm4,%xmm4\r
+\r
+#endif\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+\r
+.endm\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL2x1_SUB\r
+       vmovss  -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+       vmovss  -15 * SIZE(AO, %rax, SIZE), %xmm1\r
+       vmovss   -4 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SS_(   %xmm4,%xmm2,%xmm0 )\r
+       VFMADD231SS_(   %xmm5,%xmm2,%xmm1 )\r
+       addq    $1 , BI \r
+       addq    $2, %rax \r
+.endm\r
+\r
+.macro SAVE2x1\r
+\r
+       vmovss  ALPHA, %xmm0\r
+\r
+       vmulss  %xmm0 , %xmm4 , %xmm4\r
+       vmulss  %xmm0 , %xmm5 , %xmm5\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddps          (CO1), %xmm4,%xmm4\r
+       vaddps  1 * SIZE(CO1), %xmm5,%xmm5\r
+\r
+#endif\r
+\r
+       vmovss  %xmm4 ,         (CO1)\r
+       vmovss  %xmm5 , 1 * SIZE(CO1)\r
+\r
+.endm\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+.macro KERNEL1x1_SUB\r
+       vmovss  -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+       vmovss   -4 * SIZE(BO, BI, SIZE), %xmm2\r
+       VFMADD231SS_(   %xmm4,%xmm2,%xmm0 )\r
+       addq    $1 , BI \r
+       addq    $1, %rax \r
+.endm\r
+\r
+.macro SAVE1x1\r
+\r
+       vmovss  ALPHA, %xmm0\r
+\r
+       vmulss  %xmm0 , %xmm4 , %xmm4\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+       vaddps          (CO1), %xmm4,%xmm4\r
+\r
+#endif\r
+\r
+       vmovss  %xmm4 ,         (CO1)\r
+\r
+.endm\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+/*************************************************************************************\r
+* TRMM Kernel\r
+*************************************************************************************/\r
+\r
+\r
+       PROLOGUE\r
+       PROFCODE\r
+       \r
+       subq    $STACKSIZE, %rsp\r
+       movq    %rbx,   (%rsp)\r
+       movq    %rbp,  8(%rsp)\r
+       movq    %r12, 16(%rsp)\r
+       movq    %r13, 24(%rsp)\r
+       movq    %r14, 32(%rsp)\r
+       movq    %r15, 40(%rsp)\r
+\r
+       vzeroupper\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq    %rdi,    48(%rsp)\r
+       movq    %rsi,    56(%rsp)\r
+       movups  %xmm6,   64(%rsp)\r
+       movups  %xmm7,   80(%rsp)\r
+       movups  %xmm8,   96(%rsp)\r
+       movups  %xmm9,  112(%rsp)\r
+       movups  %xmm10, 128(%rsp)\r
+       movups  %xmm11, 144(%rsp)\r
+       movups  %xmm12, 160(%rsp)\r
+       movups  %xmm13, 176(%rsp)\r
+       movups  %xmm14, 192(%rsp)\r
+       movups  %xmm15, 208(%rsp)\r
+\r
+       movq    ARG1,      OLD_M\r
+       movq    ARG2,      OLD_N\r
+       movq    ARG3,      OLD_K\r
+       movq    OLD_A,     A\r
+       movq    OLD_B,     B\r
+       movq    OLD_C,     C\r
+       movq    OLD_LDC,   LDC\r
+#ifdef TRMMKERNEL\r
+       vmovsd  OLD_OFFSET, %xmm12\r
+#endif\r
+       vmovaps %xmm3, %xmm0\r
+\r
+#else\r
+       movq    STACKSIZE +  8(%rsp), LDC\r
+#ifdef TRMMKERNEL\r
+       movsd   STACKSIZE + 16(%rsp), %xmm12\r
+#endif\r
+\r
+#endif\r
+\r
+       movq    %rsp, SP      # save old stack\r
+        subq    $128 + L_BUFFER_SIZE, %rsp\r
+        andq    $-4096, %rsp    # align stack\r
+\r
+        STACK_TOUCH\r
+\r
+       cmpq    $0, OLD_M\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_N\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_K\r
+       je      .L999\r
+\r
+       movq    OLD_M, M\r
+       movq    OLD_N, N\r
+       movq    OLD_K, K\r
+\r
+       vmovss   %xmm0, ALPHA\r
+\r
+       salq    $BASE_SHIFT, LDC\r
+\r
+       movq    N, %rax\r
+        xorq    %rdx, %rdx\r
+        movq    $4,  %rdi\r
+        divq    %rdi                    //    N / 4\r
+        movq    %rax, Ndiv6             //    N / 4\r
+        movq    %rdx, Nmod6             //    N % 4\r
+\r
+       \r
+\r
+#ifdef TRMMKERNEL\r
+       vmovsd  %xmm12, OFFSET\r
+       vmovsd  %xmm12, KK\r
+#ifndef LEFT\r
+       negq    KK\r
+#endif \r
+#endif\r
+\r
+       movq    Ndiv6,  J\r
+       cmpq    $0, J\r
+       je      .L2_0\r
+       ALIGN_4\r
+\r
+/*******************************************************************************************/\r
+\r
+.L4_01:\r
+       // copy to sub buffer\r
+       movq    B, BO1\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       movq    K, %rax\r
+       sarq    $2, %rax                // K / 4\r
+       jz      .L4_01b\r
+       ALIGN_4\r
+\r
+\r
+.L4_01a:\r
+        prefetcht0 512(BO1)\r
+        prefetchw  512(BO)\r
+\r
+       vmovups        (BO1), %xmm0\r
+       vmovups  4*SIZE(BO1), %xmm1\r
+       vmovups  8*SIZE(BO1), %xmm2\r
+       vmovups 12*SIZE(BO1), %xmm3\r
+\r
+       vmovups %xmm0,       (BO)\r
+       vmovups %xmm1, 4*SIZE(BO)\r
+       vmovups %xmm2, 8*SIZE(BO)\r
+       vmovups %xmm3,12*SIZE(BO)\r
+\r
+       addq    $16*SIZE,BO1\r
+       addq    $16*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L4_01a\r
+\r
+\r
+.L4_01b:\r
+\r
+        movq    K, %rax\r
+        andq    $3, %rax                // K % 4\r
+        jz      .L4_02d\r
+        ALIGN_4\r
+\r
+.L4_02c:\r
+\r
+       vmovups (BO1), %xmm0\r
+       vmovups %xmm0, (BO)\r
+       addq    $4*SIZE,BO1\r
+       addq    $4*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L4_02c\r
+\r
+.L4_02d:\r
+\r
+       movq    BO1, B                  // next offset of B\r
+\r
+.L4_10:\r
+       movq     C, CO1\r
+       leaq    (C, LDC, 2), CO2        \r
+       leaq    (C, LDC, 4), C          // c += 4 * ldc\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        movq    OFFSET, %rax\r
+        movq    %rax, KK\r
+#endif\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $16 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $4, I                   // i = (m >> 4)\r
+       je      .L4_20\r
+\r
+       ALIGN_4\r
+\r
+.L4_11:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO                    // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+       leaq    (,BI, 4), BI                    // BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $16, %rax      // number of values in AO\r
+#else\r
+        addq    $4, %rax       // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L4_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4) , BI                           //  BI = BI * 4 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L4_12:\r
+\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       prefetcht0      B_PR1(BO, BI  , SIZE)\r
+       KERNEL16x4_SUB\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       KERNEL16x4_SUB\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       KERNEL16x4_SUB\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       KERNEL16x4_SUB\r
+\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       prefetcht0      B_PR1(BO, BI  , SIZE)\r
+       KERNEL16x4_SUB\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       KERNEL16x4_SUB\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       KERNEL16x4_SUB\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       KERNEL16x4_SUB\r
+\r
+       je      .L4_16\r
+\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       prefetcht0      B_PR1(BO, BI  , SIZE)\r
+       KERNEL16x4_SUB\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       KERNEL16x4_SUB\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       KERNEL16x4_SUB\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       KERNEL16x4_SUB\r
+\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       prefetcht0      B_PR1(BO, BI  , SIZE)\r
+       KERNEL16x4_SUB\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       KERNEL16x4_SUB\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       KERNEL16x4_SUB\r
+       prefetcht0      A_PR1(AO, %rax, SIZE)\r
+       KERNEL16x4_SUB\r
+\r
+       je      .L4_16\r
+\r
+       jmp     .L4_12\r
+       ALIGN_4\r
+\r
+.L4_16:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L4_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L4_17:\r
+\r
+       KERNEL16x4_SUB\r
+\r
+       jl      .L4_17\r
+       ALIGN_4\r
+\r
+\r
+.L4_19:\r
+\r
+       SAVE16x4\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+       leaq    (,BI, 4), BI                    // BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $16, KK                                \r
+#endif\r
+\r
+       addq    $16 * SIZE, CO1         # coffset += 16\r
+       addq    $16 * SIZE, CO2         # coffset += 16\r
+       decq    I                       # i --\r
+       jg      .L4_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L4_20:\r
+       // Test rest of M\r
+\r
+       testq   $15, M\r
+       jz      .L4_60          // to next 3 lines of N\r
+\r
+       testq   $8, M           \r
+       jz      .L4_21pre\r
+       ALIGN_4\r
+\r
+/**************************************************************************/\r
+\r
+.L4_20_1:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+       leaq    (,BI, 4), BI                    // BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $8, %rax        // number of values in A\r
+#else\r
+        addq    $4, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L4_20_6\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L4_20_2:\r
+\r
+       KERNEL8x4_SUB\r
+       KERNEL8x4_SUB\r
+       KERNEL8x4_SUB\r
+       KERNEL8x4_SUB\r
+\r
+       KERNEL8x4_SUB\r
+       KERNEL8x4_SUB\r
+       KERNEL8x4_SUB\r
+       KERNEL8x4_SUB\r
+\r
+       je      .L4_20_6\r
+\r
+       KERNEL8x4_SUB\r
+       KERNEL8x4_SUB\r
+       KERNEL8x4_SUB\r
+       KERNEL8x4_SUB\r
+\r
+       KERNEL8x4_SUB\r
+       KERNEL8x4_SUB\r
+       KERNEL8x4_SUB\r
+       KERNEL8x4_SUB\r
+\r
+       je      .L4_20_6\r
+\r
+       jmp     .L4_20_2\r
+       ALIGN_4\r
+\r
+.L4_20_6:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L4_20_9\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L4_20_7:\r
+\r
+       KERNEL8x4_SUB\r
+\r
+       jl      .L4_20_7\r
+       ALIGN_4\r
+\r
+\r
+.L4_20_9:\r
+\r
+       SAVE8x4\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+       leaq    (,BI, 4), BI                    // BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO         \r
+        salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $8, KK\r
+#endif\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       addq    $8 * SIZE, CO2          # coffset += 8\r
+       ALIGN_4\r
+       \r
+\r
+\r
+/**************************************************************************/\r
+\r
+.L4_21pre:\r
+\r
+       testq   $4, M           \r
+       jz      .L4_30\r
+       ALIGN_4\r
+\r
+.L4_21:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+       leaq    (,BI, 4), BI                    // BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $4, %rax        // number of values in A\r
+#else\r
+        addq    $4, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L4_26\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L4_22:\r
+\r
+       KERNEL4x4_SUB\r
+       KERNEL4x4_SUB\r
+       KERNEL4x4_SUB\r
+       KERNEL4x4_SUB\r
+\r
+       KERNEL4x4_SUB\r
+       KERNEL4x4_SUB\r
+       KERNEL4x4_SUB\r
+       KERNEL4x4_SUB\r
+\r
+       je      .L4_26\r
+\r
+       KERNEL4x4_SUB\r
+       KERNEL4x4_SUB\r
+       KERNEL4x4_SUB\r
+       KERNEL4x4_SUB\r
+\r
+       KERNEL4x4_SUB\r
+       KERNEL4x4_SUB\r
+       KERNEL4x4_SUB\r
+       KERNEL4x4_SUB\r
+\r
+       je      .L4_26\r
+\r
+       jmp     .L4_22\r
+       ALIGN_4\r
+\r
+.L4_26:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L4_29\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L4_27:\r
+\r
+       KERNEL4x4_SUB\r
+\r
+       jl      .L4_27\r
+       ALIGN_4\r
+\r
+\r
+.L4_29:\r
+\r
+       SAVE4x4\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+       leaq    (,BI, 4), BI                    // BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO         \r
+        salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $4, KK\r
+#endif\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       addq    $4 * SIZE, CO2          # coffset += 4\r
+       ALIGN_4\r
+       \r
+\r
+.L4_30:\r
+       testq   $2, M           \r
+       jz      .L4_40\r
+\r
+       ALIGN_4\r
+\r
+.L4_31:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+       leaq    (,BI, 4), BI                    // BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $2, %rax        // number of values in AO\r
+#else\r
+        addq    $4, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L4_36\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L4_32:\r
+\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+\r
+       je      .L4_36\r
+\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+       KERNEL2x4_SUB\r
+\r
+       je      .L4_36\r
+\r
+       jmp     .L4_32\r
+       ALIGN_4\r
+\r
+.L4_36:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L4_39\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+       leaq    (,BI, 4), BI                    // BI = BI * 4 ; number of values\r
+       \r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L4_37:\r
+\r
+       KERNEL2x4_SUB\r
+\r
+       jl      .L4_37\r
+       ALIGN_4\r
+\r
+\r
+.L4_39:\r
+\r
+       SAVE2x4\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+       leaq    (,BI, 4), BI                    // BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO         \r
+        salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $2, KK\r
+#endif\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       addq    $2 * SIZE, CO2          # coffset += 2\r
+       ALIGN_4\r
+\r
+.L4_40:\r
+       testq   $1, M           \r
+       jz      .L4_60          // to next 4 lines of N\r
+\r
+       ALIGN_4\r
+\r
+.L4_41:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+       leaq    (,BI, 4), BI                    // BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $1, %rax        // number of values in AO\r
+#else\r
+        addq    $4, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       andq    $-8, %rax\r
+       je      .L4_46\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L4_42:\r
+\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+\r
+       je      .L4_46\r
+\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+       KERNEL1x4_SUB\r
+\r
+       je      .L4_46\r
+\r
+       jmp     .L4_42\r
+       ALIGN_4\r
+\r
+.L4_46:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L4_49\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L4_47:\r
+\r
+       KERNEL1x4_SUB\r
+\r
+       jl      .L4_47\r
+       ALIGN_4\r
+\r
+\r
+.L4_49:\r
+\r
+       SAVE1x4\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+       leaq    (,BI, 4), BI                    // BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO         \r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $1, KK\r
+#endif\r
+\r
+       addq    $1 * SIZE, CO1          # coffset += 1\r
+       addq    $1 * SIZE, CO2          # coffset += 1\r
+       ALIGN_4\r
+       \r
+\r
+\r
+\r
+       \r
+.L4_60:\r
+#if defined(TRMMKERNEL) && !defined(LEFT)\r
+        addq    $4, KK\r
+#endif\r
+\r
+       decq    J                       // j --\r
+       jg      .L4_01                  // next 4 lines of N\r
+\r
+\r
+\r
+/*******************************************************************************************/\r
+.L2_0:\r
+\r
+       movq    Nmod6, J                \r
+       andq    $3, J                   // j % 4\r
+       je      .L999\r
+\r
+       movq    Nmod6, J                \r
+       andq    $2, J                   // j % 4\r
+       je      .L1_0\r
+\r
+.L2_01:\r
+\r
+       // copy to sub buffer\r
+       movq    B, BO1\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       movq    K, %rax\r
+       sarq    $2, %rax                // K / 4\r
+       jz      .L2_01b\r
+       ALIGN_4\r
+\r
+.L2_01a:\r
+\r
+       vmovsd        (BO1), %xmm0\r
+       vmovsd  2*SIZE(BO1), %xmm1\r
+       vmovsd  4*SIZE(BO1), %xmm2\r
+       vmovsd  6*SIZE(BO1), %xmm3\r
+\r
+       vmovsd  %xmm0,       (BO)\r
+       vmovsd  %xmm1, 2*SIZE(BO)\r
+       vmovsd  %xmm2, 4*SIZE(BO)\r
+       vmovsd  %xmm3, 6*SIZE(BO)\r
+\r
+       addq    $8*SIZE,BO1\r
+       addq    $8*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L2_01a\r
+\r
+\r
+.L2_01b:\r
+\r
+        movq    K, %rax\r
+        andq    $3, %rax                // K % 4\r
+        jz      .L2_02d\r
+        ALIGN_4\r
+\r
+.L2_02c:\r
+\r
+       vmovsd  (BO1), %xmm0\r
+       vmovsd  %xmm0, (BO)\r
+       addq    $2*SIZE,BO1\r
+       addq    $2*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L2_02c\r
+\r
+.L2_02d:\r
+\r
+       movq    BO1, B                  // next offset of B\r
+\r
+.L2_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 2), C          // c += 2 * ldc\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        movq    OFFSET, %rax\r
+        movq    %rax, KK\r
+#endif\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $16 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $4, I                   // i = (m >> 4)\r
+       je      .L2_20\r
+\r
+       ALIGN_4\r
+\r
+.L2_11:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $16, %rax      // number of values in AO\r
+#else\r
+        addq    $2, %rax       // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L2_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_12:\r
+\r
+       KERNEL16x2_SUB\r
+       KERNEL16x2_SUB\r
+       KERNEL16x2_SUB\r
+       KERNEL16x2_SUB\r
+\r
+       KERNEL16x2_SUB\r
+       KERNEL16x2_SUB\r
+       KERNEL16x2_SUB\r
+       KERNEL16x2_SUB\r
+\r
+       je      .L2_16\r
+\r
+       KERNEL16x2_SUB\r
+       KERNEL16x2_SUB\r
+       KERNEL16x2_SUB\r
+       KERNEL16x2_SUB\r
+\r
+       KERNEL16x2_SUB\r
+       KERNEL16x2_SUB\r
+       KERNEL16x2_SUB\r
+       KERNEL16x2_SUB\r
+\r
+       je      .L2_16\r
+\r
+       jmp     .L2_12\r
+       ALIGN_4\r
+\r
+.L2_16:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_17:\r
+\r
+       KERNEL16x2_SUB\r
+\r
+       jl      .L2_17\r
+       ALIGN_4\r
+\r
+\r
+.L2_19:\r
+\r
+       SAVE16x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $16, KK                                \r
+#endif\r
+\r
+       addq    $16 * SIZE, CO1         # coffset += 16\r
+       decq    I                       # i --\r
+       jg      .L2_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L2_20:\r
+       // Test rest of M\r
+\r
+       testq   $15, M\r
+       jz      .L2_60          // to next 2 lines of N\r
+\r
+       testq   $8, M           \r
+       jz      .L2_21pre\r
+       ALIGN_4\r
+\r
+/**************************************************************************/\r
+\r
+.L2_20_1:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $8, %rax        // number of values in A\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_20_6\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_20_2:\r
+\r
+\r
+       KERNEL8x2_SUB\r
+       KERNEL8x2_SUB\r
+       KERNEL8x2_SUB\r
+       KERNEL8x2_SUB\r
+\r
+       KERNEL8x2_SUB\r
+       KERNEL8x2_SUB\r
+       KERNEL8x2_SUB\r
+       KERNEL8x2_SUB\r
+\r
+       je      .L2_20_6\r
+\r
+       KERNEL8x2_SUB\r
+       KERNEL8x2_SUB\r
+       KERNEL8x2_SUB\r
+       KERNEL8x2_SUB\r
+\r
+       KERNEL8x2_SUB\r
+       KERNEL8x2_SUB\r
+       KERNEL8x2_SUB\r
+       KERNEL8x2_SUB\r
+\r
+       je      .L2_20_6\r
+\r
+       jmp     .L2_20_2\r
+       ALIGN_4\r
+\r
+.L2_20_6:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_20_9\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_20_7:\r
+\r
+       KERNEL8x2_SUB\r
+\r
+       jl      .L2_20_7\r
+       ALIGN_4\r
+\r
+\r
+.L2_20_9:\r
+\r
+       SAVE8x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO         \r
+        salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $8, KK\r
+#endif\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       ALIGN_4\r
+       \r
+\r
+\r
+/**************************************************************************/\r
+\r
+.L2_21pre:\r
+\r
+       testq   $4, M           \r
+       jz      .L2_30\r
+       ALIGN_4\r
+\r
+.L2_21:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $4, %rax        // number of values in A\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_26\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 1 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_22:\r
+\r
+\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+\r
+       je      .L2_26\r
+\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+\r
+       je      .L2_26\r
+\r
+       jmp     .L2_22\r
+       ALIGN_4\r
+\r
+.L2_26:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_29\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_27:\r
+\r
+       KERNEL4x2_SUB\r
+\r
+       jl      .L2_27\r
+       ALIGN_4\r
+\r
+\r
+.L2_29:\r
+\r
+       SAVE4x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO         \r
+        salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $4, KK\r
+#endif\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       ALIGN_4\r
+       \r
+\r
+.L2_30:\r
+       testq   $2, M           \r
+       jz      .L2_40\r
+\r
+       ALIGN_4\r
+\r
+.L2_31:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $2, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_36\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_32:\r
+\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       je      .L2_36\r
+\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       je      .L2_36\r
+\r
+       jmp     .L2_32\r
+       ALIGN_4\r
+\r
+.L2_36:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_39\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+       \r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_37:\r
+\r
+       KERNEL2x2_SUB\r
+\r
+       jl      .L2_37\r
+       ALIGN_4\r
+\r
+\r
+.L2_39:\r
+\r
+       SAVE2x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO         \r
+        salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $2, KK\r
+#endif\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       ALIGN_4\r
+\r
+.L2_40:\r
+       testq   $1, M           \r
+       jz      .L2_60          // to next 2 lines of N\r
+\r
+       ALIGN_4\r
+\r
+.L2_41:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $1, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_46\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_42:\r
+\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       je      .L2_46\r
+\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       je      .L2_46\r
+\r
+       jmp     .L2_42\r
+       ALIGN_4\r
+\r
+.L2_46:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_49\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_47:\r
+\r
+       KERNEL1x2_SUB\r
+\r
+       jl      .L2_47\r
+       ALIGN_4\r
+\r
+\r
+.L2_49:\r
+\r
+       SAVE1x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO         \r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $1, KK\r
+#endif\r
+\r
+       addq    $1 * SIZE, CO1          # coffset += 1\r
+       ALIGN_4\r
+       \r
+\r
+\r
+\r
+       \r
+.L2_60:\r
+#if defined(TRMMKERNEL) && !defined(LEFT)\r
+        addq    $2, KK\r
+#endif\r
+\r
+\r
+\r
+\r
+.L1_0:\r
+\r
+/************************************************************************************************\r
+* Loop for Nmod6 % 2 > 0\r
+*************************************************************************************************/\r
+\r
+       movq    Nmod6, J                \r
+       andq    $1, J                   // j % 2\r
+       je      .L999\r
+       ALIGN_4\r
+\r
+.L1_01:\r
+       // copy to sub buffer\r
+       movq    B, BO1\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       movq    K, %rax\r
+       ALIGN_4\r
+\r
+.L1_02b:\r
+\r
+       vmovss  (BO1), %xmm0\r
+       vmovss  %xmm0,       (BO)\r
+       addq    $1*SIZE,BO1\r
+       addq    $1*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L1_02b\r
+\r
+.L1_02c:\r
+\r
+       movq    BO1, B                  // next offset of B\r
+\r
+.L1_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 1), C          // c += 1 * ldc\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        movq    OFFSET, %rax\r
+        movq    %rax, KK\r
+#endif\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $16 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $4, I                   // i = (m >> 4)\r
+       je      .L1_20\r
+\r
+       ALIGN_4\r
+\r
+.L1_11:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $16, %rax      // number of values in AO\r
+#else\r
+        addq    $1, %rax       // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L1_16\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_12:\r
+\r
+       KERNEL16x1_SUB\r
+       KERNEL16x1_SUB\r
+       KERNEL16x1_SUB\r
+       KERNEL16x1_SUB\r
+\r
+       KERNEL16x1_SUB\r
+       KERNEL16x1_SUB\r
+       KERNEL16x1_SUB\r
+       KERNEL16x1_SUB\r
+\r
+       je      .L1_16\r
+\r
+       KERNEL16x1_SUB\r
+       KERNEL16x1_SUB\r
+       KERNEL16x1_SUB\r
+       KERNEL16x1_SUB\r
+\r
+       KERNEL16x1_SUB\r
+       KERNEL16x1_SUB\r
+       KERNEL16x1_SUB\r
+       KERNEL16x1_SUB\r
+\r
+       je      .L1_16\r
+\r
+       jmp     .L1_12\r
+       ALIGN_4\r
+\r
+.L1_16:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_17:\r
+\r
+       KERNEL16x1_SUB\r
+\r
+       jl      .L1_17\r
+       ALIGN_4\r
+\r
+\r
+.L1_19:\r
+\r
+       SAVE16x1\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $16, KK                                \r
+#endif\r
+\r
+       addq    $16 * SIZE, CO1         # coffset += 16\r
+       decq    I                       # i --\r
+       jg      .L1_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L1_20:\r
+       // Test rest of M\r
+\r
+       testq   $15, M\r
+       jz      .L999\r
+\r
+       testq   $8, M           \r
+       jz      .L1_21pre\r
+       ALIGN_4\r
+\r
+/**************************************************************************/\r
+\r
+.L1_20_1:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $8, %rax        // number of values in A\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_20_6\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_20_2:\r
+\r
+       KERNEL8x1_SUB\r
+       KERNEL8x1_SUB\r
+       KERNEL8x1_SUB\r
+       KERNEL8x1_SUB\r
+\r
+       KERNEL8x1_SUB\r
+       KERNEL8x1_SUB\r
+       KERNEL8x1_SUB\r
+       KERNEL8x1_SUB\r
+\r
+       je      .L1_20_6\r
+\r
+       KERNEL8x1_SUB\r
+       KERNEL8x1_SUB\r
+       KERNEL8x1_SUB\r
+       KERNEL8x1_SUB\r
+\r
+       KERNEL8x1_SUB\r
+       KERNEL8x1_SUB\r
+       KERNEL8x1_SUB\r
+       KERNEL8x1_SUB\r
+\r
+       je      .L1_20_6\r
+\r
+       jmp     .L1_20_2\r
+       ALIGN_4\r
+\r
+.L1_20_6:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_20_9\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_20_7:\r
+\r
+       KERNEL8x1_SUB\r
+\r
+       jl      .L1_20_7\r
+       ALIGN_4\r
+\r
+\r
+.L1_20_9:\r
+\r
+       SAVE8x1\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO         \r
+        salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $8, KK\r
+#endif\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       ALIGN_4\r
+       \r
+\r
+\r
+/**************************************************************************/\r
+\r
+.L1_21pre:\r
+\r
+       testq   $4, M           \r
+       jz      .L1_30\r
+       ALIGN_4\r
+\r
+.L1_21:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $4, %rax        // number of values in A\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_26\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_22:\r
+\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       je      .L1_26\r
+\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       je      .L1_26\r
+\r
+       jmp     .L1_22\r
+       ALIGN_4\r
+\r
+.L1_26:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_29\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_27:\r
+\r
+       KERNEL4x1_SUB\r
+\r
+       jl      .L1_27\r
+       ALIGN_4\r
+\r
+\r
+.L1_29:\r
+\r
+       SAVE4x1\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO         \r
+        salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $4, KK\r
+#endif\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       ALIGN_4\r
+       \r
+\r
+.L1_30:\r
+       testq   $2, M           \r
+       jz      .L1_40\r
+\r
+       ALIGN_4\r
+\r
+.L1_31:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $2, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_36\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_32:\r
+\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+       je      .L1_36\r
+\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+       je      .L1_36\r
+\r
+       jmp     .L1_32\r
+       ALIGN_4\r
+\r
+.L1_36:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_39\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+       \r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_37:\r
+\r
+       KERNEL2x1_SUB\r
+\r
+       jl      .L1_37\r
+       ALIGN_4\r
+\r
+\r
+.L1_39:\r
+\r
+       SAVE2x1\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO         \r
+        salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $2, KK\r
+#endif\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       ALIGN_4\r
+\r
+.L1_40:\r
+       testq   $1, M           \r
+       jz      .L999\r
+\r
+       ALIGN_4\r
+\r
+.L1_41:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $1, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_46\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_42:\r
+\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       je      .L1_46\r
+\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       je      .L1_46\r
+\r
+       jmp     .L1_42\r
+       ALIGN_4\r
+\r
+.L1_46:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_49\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_47:\r
+\r
+       KERNEL1x1_SUB\r
+\r
+       jl      .L1_47\r
+       ALIGN_4\r
+\r
+\r
+.L1_49:\r
+\r
+       SAVE1x1\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax \r
+        subq    KKK, %rax\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO         \r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $1, KK\r
+#endif\r
+\r
+       addq    $1 * SIZE, CO1          # coffset += 1\r
+       ALIGN_4\r
+       \r
+\r
+.L999:\r
+       movq            SP, %rsp\r
+       movq       (%rsp), %rbx\r
+       movq      8(%rsp), %rbp\r
+       movq     16(%rsp), %r12\r
+       movq     24(%rsp), %r13\r
+       movq     32(%rsp), %r14\r
+       movq     40(%rsp), %r15\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq     48(%rsp), %rdi\r
+       movq     56(%rsp), %rsi\r
+       movups   64(%rsp), %xmm6\r
+       movups   80(%rsp), %xmm7\r
+       movups   96(%rsp), %xmm8\r
+       movups  112(%rsp), %xmm9\r
+       movups  128(%rsp), %xmm10\r
+       movups  144(%rsp), %xmm11\r
+       movups  160(%rsp), %xmm12\r
+       movups  176(%rsp), %xmm13\r
+       movups  192(%rsp), %xmm14\r
+       movups  208(%rsp), %xmm15\r
+#endif\r
+\r
+       addq    $STACKSIZE, %rsp\r
+       ret\r
+\r
+       EPILOGUE\r
+\r
+\r
+\r
+\r
+\r
index f56490e..aad66b4 100644 (file)
@@ -57,7 +57,7 @@
 #define PREFETCHSIZE   (16 * 12)
 #endif
 
-#if defined(NEHALEM) || defined(SANDYBRIDGE)
+#if defined(NEHALEM) || defined(NEHALEM_OPTIMIZATION)
 #define PREFETCH       prefetcht0
 #define PREFETCHW      prefetcht0
 #define PREFETCHSIZE   (16 * 12)
index bb40ac4..1b28bcd 100644 (file)
@@ -57,7 +57,7 @@
 #define PREFETCHSIZE   (16 * 12)
 #endif
 
-#if defined(NEHALEM) || defined(SANDYBRIDGE)
+#if defined(NEHALEM) || defined(NEHALEM_OPTIMIZATION)
 #define PREFETCH       prefetcht0
 #define PREFETCHW      prefetcht0
 #define PREFETCHSIZE   (16 * 12)
index 653a96f..12aab61 100644 (file)
@@ -57,7 +57,7 @@
 #define PREFETCHSIZE   (16 * 12)
 #endif
 
-#if defined(NEHALEM) || defined(SANDYBRIDGE)
+#if defined(NEHALEM) || defined(NEHALEM_OPTIMIZATION)
 #define PREFETCH       prefetcht0
 #define PREFETCHW      prefetcht0
 #define PREFETCHSIZE   (16 * 12)
index e26088c..d044dfb 100644 (file)
@@ -57,7 +57,7 @@
 #define PREFETCHSIZE   (16 * 12)
 #endif
 
-#if defined(NEHALEM) || defined(SANDYBRIDGE)
+#if defined(NEHALEM) || defined(NEHALEM_OPTIMIZATION)
 #define PREFETCH       prefetcht0
 #define PREFETCHW      prefetcht0
 #define PREFETCHSIZE   (16 * 24)
diff --git a/kernel/x86_64/zgemm_kernel_4x2_haswell.S b/kernel/x86_64/zgemm_kernel_4x2_haswell.S
new file mode 100644 (file)
index 0000000..1e62784
--- /dev/null
@@ -0,0 +1,1812 @@
+/*********************************************************************************\r
+Copyright (c) 2013, The OpenBLAS Project\r
+All rights reserved.\r
+Redistribution and use in source and binary forms, with or without\r
+modification, are permitted provided that the following conditions are\r
+met:\r
+1. Redistributions of source code must retain the above copyright\r
+notice, this list of conditions and the following disclaimer.\r
+2. Redistributions in binary form must reproduce the above copyright\r
+notice, this list of conditions and the following disclaimer in\r
+the documentation and/or other materials provided with the\r
+distribution.\r
+3. Neither the name of the OpenBLAS project nor the names of\r
+its contributors may be used to endorse or promote products\r
+derived from this software without specific prior written permission.\r
+THIS SOFTWARE IS PROVIDED BY THE COPYRIGHT HOLDERS AND CONTRIBUTORS "AS IS"\r
+AND ANY EXPRESS OR IMPLIED WARRANTIES, INCLUDING, BUT NOT LIMITED TO, THE\r
+IMPLIED WARRANTIES OF MERCHANTABILITY AND FITNESS FOR A PARTICULAR PURPOSE\r
+ARE DISCLAIMED. IN NO EVENT SHALL THE OPENBLAS PROJECT OR CONTRIBUTORS BE\r
+LIABLE FOR ANY DIRECT, INDIRECT, INCIDENTAL, SPECIAL, EXEMPLARY, OR CONSEQUENTIAL\r
+DAMAGES (INCLUDING, BUT NOT LIMITED TO, PROCUREMENT OF SUBSTITUTE GOODS OR\r
+SERVICES; LOSS OF USE, DATA, OR PROFITS; OR BUSINESS INTERRUPTION) HOWEVER\r
+CAUSED AND ON ANY THEORY OF LIABILITY, WHETHER IN CONTRACT, STRICT LIABILITY,\r
+OR TORT (INCLUDING NEGLIGENCE OR OTHERWISE) ARISING IN ANY WAY OUT OF THE\r
+USE OF THIS SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF SUCH DAMAGE.\r
+**********************************************************************************/\r
+\r
+/********************************************************************************\r
+* 2013/11/13 Saar\r
+*        BLASTEST               : OK\r
+*        CTEST                  : OK\r
+*        TEST                   : OK\r
+*\r
+* 2013/10/28 Saar\r
+* Parameter:\r
+*       ZGEMM_DEFAULT_UNROLL_N  2\r
+*       ZGEMM_DEFAULT_UNROLL_M  4 \r
+*       ZGEMM_DEFAULT_P         256\r
+*       ZGEMM_DEFAULT_Q         128\r
+*      A_PR1                   512\r
+*      B_PR1                   512\r
+*\r
+*\r
+* Performance at 4608x4608x4608:\r
+*       1 thread:       43 GFLOPS      (SANDYBRIDGE:  29)      (MKL:   53)\r
+*       2 threads:      85 GFLOPS      (SANDYBRIDGE:  59)      (MKL:  100)\r
+*       3 threads:     122 GFLOPS      (SANDYBRIDGE:  86)      (MKL:  138)\r
+*       4 threads:     156 GFLOPS      (SANDYBRIDGE: 108)      (MKL:  172)\r
+*\r
+********************************************************************************/\r
+\r
+\r
+#define ASSEMBLER\r
+#include "common.h"\r
\r
+#define OLD_M  %rdi\r
+#define OLD_N  %rsi\r
+#define M      %r13\r
+#define J      %r14\r
+#define OLD_K  %rdx\r
+\r
+#define A      %rcx\r
+#define B      %r8\r
+#define C      %r9\r
+#define LDC    %r10\r
+       \r
+#define I      %r11\r
+#define AO     %rdi\r
+#define BO     %rsi\r
+#define        CO1     %r15\r
+#define K      %r12\r
+#define BI     %rbp\r
+#define        SP      %rbx\r
+\r
+#define BO1    %rdi\r
+#define BO2    %r15\r
+\r
+#ifndef WINDOWS_ABI\r
+\r
+#define STACKSIZE 96\r
+\r
+#else\r
+\r
+#define STACKSIZE 320\r
+\r
+#define OLD_ALPHA_I     40 + STACKSIZE(%rsp)\r
+#define OLD_A           48 + STACKSIZE(%rsp)\r
+#define OLD_B           56 + STACKSIZE(%rsp)\r
+#define OLD_C           64 + STACKSIZE(%rsp)\r
+#define OLD_LDC         72 + STACKSIZE(%rsp)\r
+#define OLD_OFFSET      80 + STACKSIZE(%rsp)\r
+\r
+#endif\r
+\r
+#define L_BUFFER_SIZE 512*8*4\r
+#define LB2_OFFSET    512*8*2\r
+\r
+#define Ndiv6   24(%rsp)\r
+#define Nmod6   32(%rsp)\r
+#define N       40(%rsp)\r
+#define ALPHA_R  48(%rsp)\r
+#define ALPHA_I  56(%rsp)\r
+#define OFFSET   64(%rsp)\r
+#define KK       72(%rsp)\r
+#define KKK      80(%rsp)\r
+#define BUFFER1                   128(%rsp)\r
+#define BUFFER2        LB2_OFFSET+128(%rsp)\r
+\r
+#if defined(OS_WINDOWS)\r
+#if   L_BUFFER_SIZE > 16384\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 4(%rsp);\\r
+        movl    $0,  4096 * 3(%rsp);\\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 12288\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 3(%rsp);\\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 8192\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 4096\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 1(%rsp);\r
+#else\r
+#define STACK_TOUCH\r
+#endif\r
+#else\r
+#define STACK_TOUCH\r
+#endif\r
+\r
+\r
+#if defined(BULLDOZER) \r
+\r
+#if   defined(NN) || defined(NT) || defined(TN) || defined(TT)\r
+\r
+#define        VFMADDPD_R( y0,y1,y2 ) vfmaddpd y0,y1,y2,y0\r
+\r
+#define        VFMADDPD_I( y0,y1,y2 ) vfmaddpd y0,y1,y2,y0\r
+\r
+#elif defined(RN) || defined(RT) || defined(CN) || defined(CT)\r
+\r
+#define        VFMADDPD_R( y0,y1,y2 ) vfnmaddpd y0,y1,y2,y0\r
+\r
+#define        VFMADDPD_I( y0,y1,y2 ) vfmaddpd y0,y1,y2,y0\r
+\r
+#elif defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+#define        VFMADDPD_R( y0,y1,y2 ) vfmaddpd y0,y1,y2,y0\r
+\r
+#define        VFMADDPD_I( y0,y1,y2 ) vfnmaddpd y0,y1,y2,y0\r
+\r
+#else\r
+\r
+#define        VFMADDPD_R( y0,y1,y2 ) vfnmaddpd y0,y1,y2,y0\r
+\r
+#define        VFMADDPD_I( y0,y1,y2 ) vfnmaddpd y0,y1,y2,y0\r
+\r
+#endif\r
+\r
+#else\r
+\r
+#if   defined(NN) || defined(NT) || defined(TN) || defined(TT)\r
+\r
+#define        VFMADDPD_R( y0,y1,y2 ) vfmadd231pd y1,y2,y0\r
+\r
+#define        VFMADDPD_I( y0,y1,y2 ) vfmadd231pd y1,y2,y0\r
+\r
+#elif defined(RN) || defined(RT) || defined(CN) || defined(CT)\r
+\r
+#define        VFMADDPD_R( y0,y1,y2 ) vfnmadd231pd y1,y2,y0\r
+\r
+#define        VFMADDPD_I( y0,y1,y2 ) vfmadd231pd y1,y2,y0\r
+\r
+#elif defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+#define        VFMADDPD_R( y0,y1,y2 ) vfmadd231pd y1,y2,y0\r
+\r
+#define        VFMADDPD_I( y0,y1,y2 ) vfnmadd231pd y1,y2,y0\r
+\r
+#else\r
+\r
+#define        VFMADDPD_R( y0,y1,y2 ) vfnmadd231pd y1,y2,y0\r
+\r
+#define        VFMADDPD_I( y0,y1,y2 ) vfnmadd231pd y1,y2,y0\r
+\r
+#endif\r
+\r
+#endif\r
+\r
+#define        A_PR1   512\r
+#define        B_PR1   512\r
+/***************************************************************************************************/\r
+\r
+.macro KERNEL4x2_SUB\r
+        vmovups           -8 * SIZE(AO, %rax, SIZE), %ymm0\r
+        vmovups           -4 * SIZE(AO, %rax, SIZE), %ymm1\r
+\r
+        vbroadcastsd      -8 * SIZE(BO, BI, SIZE),   %ymm4\r
+        vbroadcastsd      -7 * SIZE(BO, BI, SIZE),   %ymm5\r
+        VFMADDPD_R(        %ymm8 ,%ymm4,%ymm0 )\r
+        VFMADDPD_R(        %ymm12,%ymm4,%ymm1 )\r
+        vbroadcastsd      -6 * SIZE(BO, BI, SIZE),   %ymm6\r
+        VFMADDPD_I(        %ymm9 ,%ymm5,%ymm0 )\r
+        VFMADDPD_I(        %ymm13,%ymm5,%ymm1 )\r
+        vbroadcastsd      -5 * SIZE(BO, BI, SIZE),   %ymm7\r
+        VFMADDPD_R(        %ymm10,%ymm6,%ymm0 )\r
+        VFMADDPD_R(        %ymm14,%ymm6,%ymm1 )\r
+        VFMADDPD_I(        %ymm11,%ymm7,%ymm0 )\r
+        VFMADDPD_I(        %ymm15,%ymm7,%ymm1 )\r
+\r
+        addq    $4, BI                           \r
+        addq    $8, %rax                         \r
+.endm\r
+\r
+.macro SAVE4x2\r
+\r
+       vbroadcastsd    ALPHA_R, %ymm0\r
+       vbroadcastsd    ALPHA_I, %ymm1\r
+\r
+       // swap high and low 8 bytes\r
+        vshufpd $0x05, %ymm9 , %ymm9, %ymm9\r
+        vshufpd $0x05, %ymm11, %ymm11, %ymm11\r
+        vshufpd $0x05, %ymm13, %ymm13, %ymm13\r
+        vshufpd $0x05, %ymm15, %ymm15, %ymm15\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubpd %ymm9, %ymm8 , %ymm8\r
+        vaddsubpd %ymm11,%ymm10, %ymm10\r
+        vaddsubpd %ymm13,%ymm12, %ymm12\r
+        vaddsubpd %ymm15,%ymm14, %ymm14\r
+\r
+        vshufpd $0x05, %ymm8 , %ymm8, %ymm9\r
+        vshufpd $0x05, %ymm10, %ymm10, %ymm11\r
+        vshufpd $0x05, %ymm12, %ymm12, %ymm13\r
+        vshufpd $0x05, %ymm14, %ymm14, %ymm15\r
+\r
+#else\r
+        vaddsubpd %ymm8,  %ymm9 ,%ymm9\r
+        vaddsubpd %ymm10, %ymm11,%ymm11\r
+        vaddsubpd %ymm12, %ymm13,%ymm13\r
+        vaddsubpd %ymm14, %ymm15,%ymm15\r
+\r
+        vmovapd   %ymm9,  %ymm8\r
+        vmovapd   %ymm11, %ymm10\r
+        vmovapd   %ymm13, %ymm12\r
+        vmovapd   %ymm15, %ymm14\r
+\r
+       // swap high and low 8 bytes\r
+        vshufpd $0x05, %ymm9 , %ymm9, %ymm9\r
+        vshufpd $0x05, %ymm11, %ymm11, %ymm11\r
+        vshufpd $0x05, %ymm13, %ymm13, %ymm13\r
+        vshufpd $0x05, %ymm15, %ymm15, %ymm15\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulpd  %ymm8 , %ymm0, %ymm8\r
+        vmulpd  %ymm10, %ymm0, %ymm10\r
+        vmulpd  %ymm12, %ymm0, %ymm12\r
+        vmulpd  %ymm14, %ymm0, %ymm14\r
+\r
+       // multiply with ALPHA_I\r
+        vmulpd  %ymm9 , %ymm1, %ymm9\r
+        vmulpd  %ymm11, %ymm1, %ymm11\r
+        vmulpd  %ymm13, %ymm1, %ymm13\r
+        vmulpd  %ymm15, %ymm1, %ymm15\r
+\r
+       vaddsubpd %ymm9, %ymm8 , %ymm8\r
+        vaddsubpd %ymm11,%ymm10, %ymm10\r
+        vaddsubpd %ymm13,%ymm12, %ymm12\r
+        vaddsubpd %ymm15,%ymm14, %ymm14\r
+\r
+\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddpd          (CO1), %ymm8 , %ymm8\r
+       vaddpd  4 * SIZE(CO1), %ymm12, %ymm12\r
+\r
+       vaddpd          (CO1, LDC), %ymm10, %ymm10\r
+       vaddpd  4 * SIZE(CO1, LDC), %ymm14, %ymm14\r
+\r
+#endif\r
+\r
+       vmovups %ymm8 ,         (CO1)\r
+       vmovups %ymm12 , 4 * SIZE(CO1)\r
+\r
+       vmovups %ymm10 ,        (CO1, LDC)\r
+       vmovups %ymm14 , 4 * SIZE(CO1, LDC)\r
+\r
+       prefetcht0      64(CO1)\r
+       prefetcht0      64(CO1, LDC)\r
+\r
+.endm\r
+\r
+/***************************************************************************************************/\r
+\r
+.macro KERNEL2x2_SUB\r
+        vmovups          -8 * SIZE(AO, %rax, SIZE), %xmm0\r
+        vmovddup         -8 * SIZE(BO, BI, SIZE), %xmm4\r
+        vmovups          -6 * SIZE(AO, %rax, SIZE), %xmm1\r
+        VFMADDPD_R(        %xmm8,%xmm4,%xmm0  )\r
+        VFMADDPD_R(        %xmm12,%xmm4,%xmm1 )\r
+        vmovddup         -7 * SIZE(BO, BI, SIZE), %xmm5\r
+        VFMADDPD_I(        %xmm9,%xmm5,%xmm0  )\r
+        VFMADDPD_I(        %xmm13,%xmm5,%xmm1 )\r
+        vmovddup         -6 * SIZE(BO, BI, SIZE), %xmm6\r
+        VFMADDPD_R(        %xmm10,%xmm6,%xmm0 )\r
+        VFMADDPD_R(        %xmm14,%xmm6,%xmm1 )\r
+        vmovddup         -5 * SIZE(BO, BI, SIZE), %xmm7\r
+        VFMADDPD_I(        %xmm11,%xmm7,%xmm0 )\r
+        VFMADDPD_I(        %xmm15,%xmm7,%xmm1 )\r
+        addq    $4, BI                           \r
+        addq    $4, %rax                         \r
+.endm\r
+\r
+.macro SAVE2x2\r
+\r
+       vmovddup        ALPHA_R, %xmm0\r
+       vmovddup        ALPHA_I, %xmm1\r
+\r
+       // swap high and low 64 bytes\r
+        vshufpd $0x01, %xmm9 , %xmm9, %xmm9\r
+        vshufpd $0x01, %xmm11, %xmm11, %xmm11\r
+        vshufpd $0x01, %xmm13, %xmm13, %xmm13\r
+        vshufpd $0x01, %xmm15, %xmm15, %xmm15\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubpd %xmm9, %xmm8 , %xmm8\r
+        vaddsubpd %xmm11,%xmm10, %xmm10\r
+        vaddsubpd %xmm13,%xmm12, %xmm12\r
+        vaddsubpd %xmm15,%xmm14, %xmm14\r
+\r
+        vshufpd $0x01, %xmm8 , %xmm8, %xmm9\r
+        vshufpd $0x01, %xmm10, %xmm10, %xmm11\r
+        vshufpd $0x01, %xmm12, %xmm12, %xmm13\r
+        vshufpd $0x01, %xmm14, %xmm14, %xmm15\r
+\r
+#else\r
+        vaddsubpd %xmm8,  %xmm9 ,%xmm9\r
+        vaddsubpd %xmm10, %xmm11,%xmm11\r
+        vaddsubpd %xmm12, %xmm13,%xmm13\r
+        vaddsubpd %xmm14, %xmm15,%xmm15\r
+\r
+        vmovapd   %xmm9,  %xmm8\r
+        vmovapd   %xmm11, %xmm10\r
+        vmovapd   %xmm13, %xmm12\r
+        vmovapd   %xmm15, %xmm14\r
+\r
+       // swap high and low 64 bytes\r
+        vshufpd $0x01, %xmm9 , %xmm9, %xmm9\r
+        vshufpd $0x01, %xmm11, %xmm11, %xmm11\r
+        vshufpd $0x01, %xmm13, %xmm13, %xmm13\r
+        vshufpd $0x01, %xmm15, %xmm15, %xmm15\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulpd  %xmm8 , %xmm0, %xmm8\r
+        vmulpd  %xmm10, %xmm0, %xmm10\r
+        vmulpd  %xmm12, %xmm0, %xmm12\r
+        vmulpd  %xmm14, %xmm0, %xmm14\r
+\r
+       // multiply with ALPHA_I\r
+        vmulpd  %xmm9 , %xmm1, %xmm9\r
+        vmulpd  %xmm11, %xmm1, %xmm11\r
+        vmulpd  %xmm13, %xmm1, %xmm13\r
+        vmulpd  %xmm15, %xmm1, %xmm15\r
+\r
+       vaddsubpd %xmm9, %xmm8 , %xmm8\r
+        vaddsubpd %xmm11,%xmm10, %xmm10\r
+        vaddsubpd %xmm13,%xmm12, %xmm12\r
+        vaddsubpd %xmm15,%xmm14, %xmm14\r
+\r
+\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddpd          (CO1), %xmm8 , %xmm8\r
+       vaddpd  2 * SIZE(CO1), %xmm12, %xmm12\r
+\r
+       vaddpd          (CO1, LDC), %xmm10, %xmm10\r
+       vaddpd  2 * SIZE(CO1, LDC), %xmm14, %xmm14\r
+\r
+#endif\r
+\r
+       vmovups %xmm8 ,         (CO1)\r
+       vmovups %xmm12 , 2 * SIZE(CO1)\r
+\r
+       vmovups %xmm10 ,        (CO1, LDC)\r
+       vmovups %xmm14 , 2 * SIZE(CO1, LDC)\r
+\r
+.endm\r
+\r
+/************************************************************************************************/\r
+\r
+/************************************************************************************************/\r
+\r
+\r
+.macro KERNEL1x2_SUB\r
+        vmovups          -8 * SIZE(AO, %rax, SIZE), %xmm0\r
+        vmovddup         -8 * SIZE(BO, BI, SIZE), %xmm4\r
+        vmovddup         -7 * SIZE(BO, BI, SIZE), %xmm5\r
+        VFMADDPD_R(        %xmm8,%xmm4,%xmm0 )\r
+        VFMADDPD_I(        %xmm9,%xmm5,%xmm0 )\r
+        vmovddup         -6 * SIZE(BO, BI, SIZE), %xmm6\r
+        vmovddup         -5 * SIZE(BO, BI, SIZE), %xmm7\r
+        VFMADDPD_R(        %xmm10,%xmm6,%xmm0 )\r
+        VFMADDPD_I(        %xmm11,%xmm7,%xmm0 )\r
+        addq    $4, BI                           \r
+        addq    $2, %rax                         \r
+.endm\r
+\r
+.macro SAVE1x2\r
+\r
+       vmovddup        ALPHA_R, %xmm0\r
+       vmovddup        ALPHA_I, %xmm1\r
+\r
+       // swap high and low 64 bytes\r
+        vshufpd $0x01, %xmm9 , %xmm9, %xmm9\r
+        vshufpd $0x01, %xmm11, %xmm11, %xmm11\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubpd %xmm9, %xmm8 , %xmm8\r
+        vaddsubpd %xmm11,%xmm10, %xmm10\r
+\r
+        vshufpd $0x01, %xmm8 , %xmm8, %xmm9\r
+        vshufpd $0x01, %xmm10, %xmm10, %xmm11\r
+\r
+#else\r
+        vaddsubpd %xmm8, %xmm9, %xmm9\r
+        vaddsubpd %xmm10,%xmm11, %xmm11\r
+\r
+        vmovapd   %xmm9,  %xmm8\r
+        vmovapd   %xmm11, %xmm10\r
+\r
+       // swap high and low 64 bytes\r
+        vshufpd $0x01, %xmm9 , %xmm9, %xmm9\r
+        vshufpd $0x01, %xmm11, %xmm11, %xmm11\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulpd  %xmm8 , %xmm0, %xmm8\r
+        vmulpd  %xmm10, %xmm0, %xmm10\r
+\r
+       // multiply with ALPHA_I\r
+        vmulpd  %xmm9 , %xmm1, %xmm9\r
+        vmulpd  %xmm11, %xmm1, %xmm11\r
+\r
+       vaddsubpd %xmm9, %xmm8 , %xmm8\r
+        vaddsubpd %xmm11,%xmm10, %xmm10\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddpd          (CO1), %xmm8 , %xmm8\r
+       vaddpd          (CO1, LDC), %xmm10, %xmm10\r
+\r
+#endif\r
+\r
+       vmovups %xmm8 ,         (CO1)\r
+       vmovups %xmm10 ,        (CO1, LDC)\r
+\r
+.endm\r
+\r
+\r
+/************************************************************************************************/\r
+\r
+.macro KERNEL4x1_SUB\r
+        vmovups          -8 * SIZE(AO, %rax, SIZE), %ymm0\r
+        vmovups          -4 * SIZE(AO, %rax, SIZE), %ymm1\r
+        vbroadcastsd     -4 * SIZE(BO, BI, SIZE)  , %ymm4\r
+        vbroadcastsd     -3 * SIZE(BO, BI, SIZE)  , %ymm5\r
+        VFMADDPD_R(        %ymm8 ,%ymm4,%ymm0 )\r
+        VFMADDPD_R(        %ymm12,%ymm4,%ymm1 )\r
+        VFMADDPD_I(        %ymm9 ,%ymm5,%ymm0 )\r
+        VFMADDPD_I(        %ymm13,%ymm5,%ymm1 )\r
+\r
+        addq    $2, BI                           \r
+        addq    $8, %rax                         \r
+.endm\r
+\r
+.macro SAVE4x1\r
+\r
+       vbroadcastsd    ALPHA_R, %ymm0\r
+       vbroadcastsd    ALPHA_I, %ymm1\r
+\r
+       // swap high and low 8 bytes\r
+        vshufpd $0x05, %ymm9 , %ymm9, %ymm9\r
+        vshufpd $0x05, %ymm13, %ymm13, %ymm13\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubpd %ymm9, %ymm8  , %ymm8\r
+        vaddsubpd %ymm13,%ymm12 , %ymm12\r
+\r
+        vshufpd $0x05, %ymm8 , %ymm8, %ymm9\r
+        vshufpd $0x05, %ymm12, %ymm12, %ymm13\r
+\r
+#else\r
+        vaddsubpd %ymm8, %ymm9 , %ymm9\r
+        vaddsubpd %ymm12,%ymm13, %ymm13\r
+\r
+        vmovapd   %ymm9,  %ymm8\r
+        vmovapd   %ymm13, %ymm12\r
+\r
+       // swap high and low 8 bytes\r
+        vshufpd $0x05, %ymm9 , %ymm9, %ymm9\r
+        vshufpd $0x05, %ymm13, %ymm13, %ymm13\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulpd  %ymm8 , %ymm0, %ymm8\r
+        vmulpd  %ymm12, %ymm0, %ymm12\r
+\r
+       // multiply with ALPHA_I\r
+        vmulpd  %ymm9 , %ymm1, %ymm9\r
+        vmulpd  %ymm13, %ymm1, %ymm13\r
+\r
+       vaddsubpd %ymm9,  %ymm8 , %ymm8\r
+        vaddsubpd %ymm13, %ymm12, %ymm12\r
+\r
+\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddpd          (CO1), %ymm8 , %ymm8\r
+       vaddpd  4 * SIZE(CO1), %ymm12, %ymm12\r
+\r
+#endif\r
+\r
+       vmovups %ymm8 ,         (CO1)\r
+       vmovups %ymm12 ,4 * SIZE(CO1)\r
+\r
+.endm\r
+\r
+\r
+\r
+/************************************************************************************************/\r
+\r
+.macro KERNEL2x1_SUB\r
+        vmovups          -8 * SIZE(AO, %rax, SIZE), %xmm0\r
+        vmovddup         -4 * SIZE(BO, BI, SIZE), %xmm4\r
+        VFMADDPD_R(        %xmm8,%xmm4,%xmm0  )\r
+        vmovups          -6 * SIZE(AO, %rax, SIZE), %xmm1\r
+        VFMADDPD_R(        %xmm12,%xmm4,%xmm1 )\r
+        vmovddup         -3 * SIZE(BO, BI, SIZE), %xmm5\r
+        VFMADDPD_I(        %xmm9,%xmm5,%xmm0  )\r
+        VFMADDPD_I(        %xmm13,%xmm5,%xmm1 )\r
+        addq    $2, BI                           \r
+        addq    $4, %rax                         \r
+.endm\r
+\r
+.macro SAVE2x1\r
+\r
+       vmovddup        ALPHA_R, %xmm0\r
+       vmovddup        ALPHA_I, %xmm1\r
+\r
+       // swap high and low 64 bytes\r
+        vshufpd $0x01, %xmm9 , %xmm9, %xmm9\r
+        vshufpd $0x01, %xmm13, %xmm13, %xmm13\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubpd %xmm9, %xmm8  , %xmm8\r
+        vaddsubpd %xmm13,%xmm12 , %xmm12\r
+\r
+        vshufpd $0x01, %xmm8 , %xmm8, %xmm9\r
+        vshufpd $0x01, %xmm12, %xmm12, %xmm13\r
+\r
+#else\r
+        vaddsubpd %xmm8, %xmm9 , %xmm9\r
+        vaddsubpd %xmm12,%xmm13, %xmm13\r
+\r
+        vmovapd   %xmm9,  %xmm8\r
+        vmovapd   %xmm13, %xmm12\r
+\r
+       // swap high and low 64 bytes\r
+        vshufpd $0x01, %xmm9 , %xmm9, %xmm9\r
+        vshufpd $0x01, %xmm13, %xmm13, %xmm13\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulpd  %xmm8 , %xmm0, %xmm8\r
+        vmulpd  %xmm12, %xmm0, %xmm12\r
+\r
+       // multiply with ALPHA_I\r
+        vmulpd  %xmm9 , %xmm1, %xmm9\r
+        vmulpd  %xmm13, %xmm1, %xmm13\r
+\r
+       vaddsubpd %xmm9,  %xmm8 , %xmm8\r
+        vaddsubpd %xmm13, %xmm12, %xmm12\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddpd          (CO1), %xmm8 , %xmm8\r
+       vaddpd  2 * SIZE(CO1), %xmm12, %xmm12\r
+\r
+#endif\r
+\r
+       vmovups %xmm8 ,         (CO1)\r
+       vmovups %xmm12 , 2 * SIZE(CO1)\r
+\r
+.endm\r
+\r
+\r
+/************************************************************************************************/\r
+\r
+.macro KERNEL1x1_SUB\r
+        vmovups          -8 * SIZE(AO, %rax, SIZE), %xmm0\r
+        vmovddup         -4 * SIZE(BO, BI, SIZE), %xmm4\r
+        VFMADDPD_R(        %xmm8,%xmm4,%xmm0 )\r
+        vmovddup         -3 * SIZE(BO, BI, SIZE), %xmm5\r
+        VFMADDPD_I(        %xmm9,%xmm5,%xmm0 )\r
+        addq    $2, BI                           \r
+        addq    $2, %rax                         \r
+.endm\r
+\r
+.macro SAVE1x1\r
+\r
+       vmovddup        ALPHA_R, %xmm0\r
+       vmovddup        ALPHA_I, %xmm1\r
+\r
+       // swap high and low 64 bytes\r
+        vshufpd $0x01, %xmm9 , %xmm9, %xmm9\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubpd %xmm9, %xmm8,  %xmm8\r
+\r
+        vshufpd $0x01, %xmm8 , %xmm8, %xmm9\r
+\r
+#else\r
+        vaddsubpd %xmm8, %xmm9,  %xmm9\r
+\r
+        vmovapd   %xmm9,  %xmm8\r
+\r
+       // swap high and low 64 bytes\r
+        vshufpd $0x01, %xmm9 , %xmm9, %xmm9\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulpd  %xmm8 , %xmm0, %xmm8\r
+\r
+       // multiply with ALPHA_I\r
+        vmulpd  %xmm9 , %xmm1, %xmm9\r
+\r
+       vaddsubpd %xmm9 ,%xmm8,  %xmm8\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddpd          (CO1), %xmm8 , %xmm8\r
+\r
+#endif\r
+\r
+       vmovups %xmm8 ,         (CO1)\r
+\r
+.endm\r
+\r
+\r
+/************************************************************************************************/\r
+\r
+\r
+\r
+\r
+       PROLOGUE\r
+       PROFCODE\r
+       \r
+       subq    $STACKSIZE, %rsp\r
+       movq    %rbx,   (%rsp)\r
+       movq    %rbp,  8(%rsp)\r
+       movq    %r12, 16(%rsp)\r
+       movq    %r13, 24(%rsp)\r
+       movq    %r14, 32(%rsp)\r
+       movq    %r15, 40(%rsp)\r
+\r
+       vzeroupper\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq    %rdi,    48(%rsp)\r
+       movq    %rsi,    56(%rsp)\r
+       movups  %xmm6,   64(%rsp)\r
+       movups  %xmm7,   80(%rsp)\r
+       movups  %xmm8,   96(%rsp)\r
+       movups  %xmm9,  112(%rsp)\r
+       movups  %xmm10, 128(%rsp)\r
+       movups  %xmm11, 144(%rsp)\r
+       movups  %xmm12, 160(%rsp)\r
+       movups  %xmm13, 176(%rsp)\r
+       movups  %xmm14, 192(%rsp)\r
+       movups  %xmm15, 208(%rsp)\r
+\r
+       movq    ARG1,      OLD_M\r
+       movq    ARG2,      OLD_N\r
+       movq    ARG3,      OLD_K\r
+       movq    OLD_A,     A\r
+       movq    OLD_B,     B\r
+       movq    OLD_C,     C\r
+       movq    OLD_LDC,   LDC\r
+#ifdef TRMMKERNEL\r
+       movsd   OLD_OFFSET, %xmm12\r
+#endif\r
+       vmovaps %xmm3, %xmm0\r
+\r
+#else\r
+       movq    STACKSIZE +  8(%rsp), LDC\r
+#ifdef TRMMKERNEL\r
+       movsd   STACKSIZE + 16(%rsp), %xmm12\r
+#endif\r
+\r
+#endif\r
+\r
+       movq    %rsp, SP      # save old stack\r
+        subq    $128 + L_BUFFER_SIZE, %rsp\r
+        andq    $-4096, %rsp    # align stack\r
+\r
+        STACK_TOUCH\r
+\r
+       cmpq    $0, OLD_M\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_N\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_K\r
+       je      .L999\r
+\r
+       movq    OLD_M, M\r
+       movq    OLD_N, N\r
+       movq    OLD_K, K\r
+\r
+       vmovsd   %xmm0, ALPHA_R\r
+       vmovsd   %xmm1, ALPHA_I\r
+\r
+       salq    $ZBASE_SHIFT, LDC\r
+\r
+       movq    N, %rax\r
+        xorq    %rdx, %rdx\r
+        movq    $2,  %rdi\r
+        divq    %rdi                    //    N / 2\r
+        movq    %rax, Ndiv6             //    N / 2\r
+        movq    %rdx, Nmod6             //    N % 2\r
+\r
+       \r
+\r
+#ifdef TRMMKERNEL\r
+       vmovsd  %xmm12, OFFSET\r
+       vmovsd  %xmm12, KK\r
+#ifndef LEFT\r
+       negq    KK\r
+#endif \r
+#endif\r
+\r
+.L2_00_0:\r
+\r
+       movq    Ndiv6,  J\r
+       cmpq    $0, J\r
+       je      .L1_2_0\r
+       ALIGN_4\r
+\r
+\r
+\r
+.L2_00_01:\r
+       // copy to sub buffer\r
+       movq    B, BO1\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       movq    K, %rax\r
+       ALIGN_4\r
+\r
+.L2_00_02b:\r
+\r
+       vmovups         (BO1), %xmm0\r
+       vmovups 2 * SIZE(BO1), %xmm1\r
+       vmovups %xmm0,       (BO)\r
+       vmovups %xmm1, 2 * SIZE(BO)\r
+       addq    $4*SIZE,BO1\r
+       addq    $4*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L2_00_02b\r
+\r
+.L2_00_02c:\r
+\r
+       movq    BO1, B                  // next offset of B\r
+\r
+\r
+.L2_00_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 2), C          // c += 2 * ldc\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        movq    OFFSET, %rax\r
+        movq    %rax, KK\r
+#endif\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $8 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $2, I                   // i = (m >> 2)\r
+       je      .L2_2_10\r
+\r
+       ALIGN_4\r
+\r
+/******************************************************************************************************************/\r
+\r
+.L2_4_11:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4), BI                     //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $4, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L2_4_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_4_12:\r
+\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)\r
+        prefetcht0      B_PR1(BO,BI  ,SIZE)\r
+       KERNEL4x2_SUB\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x2_SUB\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)\r
+        prefetcht0      B_PR1(BO,BI  ,SIZE)\r
+       KERNEL4x2_SUB\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x2_SUB\r
+\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)\r
+        prefetcht0      B_PR1(BO,BI  ,SIZE)\r
+       KERNEL4x2_SUB\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x2_SUB\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)\r
+        prefetcht0      B_PR1(BO,BI  ,SIZE)\r
+       KERNEL4x2_SUB\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x2_SUB\r
+\r
+       je      .L2_4_16\r
+\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)\r
+        prefetcht0      B_PR1(BO,BI  ,SIZE)\r
+       KERNEL4x2_SUB\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x2_SUB\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)\r
+        prefetcht0      B_PR1(BO,BI  ,SIZE)\r
+       KERNEL4x2_SUB\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x2_SUB\r
+\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)\r
+        prefetcht0      B_PR1(BO,BI  ,SIZE)\r
+       KERNEL4x2_SUB\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x2_SUB\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)\r
+        prefetcht0      B_PR1(BO,BI  ,SIZE)\r
+       KERNEL4x2_SUB\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x2_SUB\r
+\r
+       je      .L2_4_16\r
+\r
+       jmp     .L2_4_12\r
+       ALIGN_4\r
+\r
+.L2_4_16:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_4_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_4_17:\r
+\r
+       KERNEL4x2_SUB\r
+\r
+       jl      .L2_4_17\r
+       ALIGN_4\r
+\r
+\r
+.L2_4_19:\r
+\r
+       SAVE4x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $4, KK\r
+#endif\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       decq    I                       # i --\r
+       jg      .L2_4_11\r
+       ALIGN_4 \r
+\r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+\r
+\r
+/******************************************************************************************************************/\r
+.L2_2_10:\r
+       testq   $2, M           \r
+       jz      .L2_2_40                // to next 2 lines of N\r
+\r
+.L2_2_11:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4), BI                     //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $2, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L2_2_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_2_12:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       je      .L2_2_16\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       je      .L2_2_16\r
+\r
+       jmp     .L2_2_12\r
+       ALIGN_4\r
+\r
+.L2_2_16:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_2_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_2_17:\r
+\r
+       KERNEL2x2_SUB\r
+\r
+       jl      .L2_2_17\r
+       ALIGN_4\r
+\r
+\r
+.L2_2_19:\r
+\r
+       SAVE2x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $2, KK\r
+#endif\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       ALIGN_4 \r
+\r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L2_2_40:\r
+       testq   $1, M           \r
+       jz      .L2_2_60                // to next 2 lines of N\r
+\r
+       ALIGN_4\r
+\r
+.L2_2_41:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4), BI                     //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $1, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L2_2_46\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_2_42:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       je      .L2_2_46\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       je      .L2_2_46\r
+\r
+       jmp     .L2_2_42\r
+       ALIGN_4\r
+\r
+.L2_2_46:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_2_49\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_2_47:\r
+\r
+       KERNEL1x2_SUB\r
+\r
+       jl      .L2_2_47\r
+       ALIGN_4\r
+\r
+\r
+.L2_2_49:\r
+\r
+       SAVE1x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $1, KK\r
+#endif\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       decq    I                       # i --\r
+       jg      .L2_2_41\r
+       ALIGN_4 \r
+\r
+\r
+\r
+       \r
+.L2_2_60:\r
+#if defined(TRMMKERNEL) && !defined(LEFT)\r
+        addq    $2, KK\r
+#endif\r
+\r
+       decq    J                       // j --\r
+       jg      .L2_00_01                       // next 2 lines of N\r
+\r
+\r
+\r
+.L1_2_0:\r
+\r
+/************************************************************************************************\r
+* Loop for Nmod6 % 2 > 0\r
+*************************************************************************************************/\r
+\r
+       movq    Nmod6, J                \r
+       andq    $1, J                   // j % 2\r
+       je      .L999\r
+       ALIGN_4\r
+\r
+.L1_00_01:\r
+       // copy to sub buffer\r
+       movq    B, BO1\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       movq    K, %rax\r
+       ALIGN_4\r
+\r
+.L1_00_02b:\r
+\r
+       vmovups         (BO1), %xmm0\r
+       vmovups %xmm0,       (BO)\r
+       addq    $2*SIZE,BO1\r
+       addq    $2*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L1_00_02b\r
+\r
+.L1_00_02c:\r
+\r
+       movq    BO1, B                  // next offset of B\r
+\r
+.L1_00_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 1), C          // c += 1 * ldc\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        movq    OFFSET, %rax\r
+        movq    %rax, KK\r
+#endif\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $8 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $2, I                   // i = (m >> 2)\r
+       je      .L1_2_10\r
+\r
+       ALIGN_4\r
+\r
+/*******************************************************************************************************/\r
+\r
+\r
+.L1_4_11:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,2), BI                     //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $4, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L1_4_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_4_12:\r
+\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       je      .L1_4_16\r
+\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       je      .L1_4_16\r
+\r
+       jmp     .L1_4_12\r
+       ALIGN_4\r
+\r
+.L1_4_16:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_4_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_4_17:\r
+\r
+       KERNEL4x1_SUB\r
+\r
+       jl      .L1_4_17\r
+       ALIGN_4\r
+\r
+\r
+.L1_4_19:\r
+\r
+       SAVE4x1\r
+\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $4, KK\r
+#endif\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       decq    I                       # i --\r
+       jg      .L1_4_11\r
+       ALIGN_4 \r
+\r
+\r
+\r
+\r
+/*******************************************************************************************************/\r
+.L1_2_10:\r
+       testq   $2, M           \r
+       jz      .L1_2_40\r
+\r
+\r
+.L1_2_11:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,2), BI                     //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $2, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L1_2_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_2_12:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+       je      .L1_2_16\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+       je      .L1_2_16\r
+\r
+       jmp     .L1_2_12\r
+       ALIGN_4\r
+\r
+.L1_2_16:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_2_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_2_17:\r
+\r
+       KERNEL2x1_SUB\r
+\r
+       jl      .L1_2_17\r
+       ALIGN_4\r
+\r
+\r
+.L1_2_19:\r
+\r
+       SAVE2x1\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $2, KK\r
+#endif\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+\r
+       ALIGN_4 \r
+\r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L1_2_40:\r
+       testq   $1, M           \r
+       jz      .L999\r
+\r
+       ALIGN_4\r
+\r
+.L1_2_41:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,2), BI                     //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $1, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L1_2_46\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_2_42:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       je      .L1_2_46\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       je      .L1_2_46\r
+\r
+       jmp     .L1_2_42\r
+       ALIGN_4\r
+\r
+.L1_2_46:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_2_49\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_2_47:\r
+\r
+       KERNEL1x1_SUB\r
+\r
+       jl      .L1_2_47\r
+       ALIGN_4\r
+\r
+\r
+.L1_2_49:\r
+\r
+       SAVE1x1\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $1, KK\r
+#endif\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       decq    I                       # i --\r
+       jg      .L1_2_41\r
+       ALIGN_4 \r
+\r
+\r
+\r
+\r
+\r
+\r
+.L999:\r
+       movq            SP, %rsp\r
+       movq       (%rsp), %rbx\r
+       movq      8(%rsp), %rbp\r
+       movq     16(%rsp), %r12\r
+       movq     24(%rsp), %r13\r
+       movq     32(%rsp), %r14\r
+       movq     40(%rsp), %r15\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq     48(%rsp), %rdi\r
+       movq     56(%rsp), %rsi\r
+       movups   64(%rsp), %xmm6\r
+       movups   80(%rsp), %xmm7\r
+       movups   96(%rsp), %xmm8\r
+       movups  112(%rsp), %xmm9\r
+       movups  128(%rsp), %xmm10\r
+       movups  144(%rsp), %xmm11\r
+       movups  160(%rsp), %xmm12\r
+       movups  176(%rsp), %xmm13\r
+       movups  192(%rsp), %xmm14\r
+       movups  208(%rsp), %xmm15\r
+#endif\r
+\r
+       addq    $STACKSIZE, %rsp\r
+       ret\r
+\r
+       EPILOGUE\r
index 7f3b54d..f818170 100644 (file)
@@ -57,7 +57,7 @@
 #define PREFETCHSIZE   (16 * 24)
 #endif
 
-#if defined(NEHALEM) || defined(SANDYBRIDGE)
+#if defined(NEHALEM) || defined(NEHALEM_OPTIMIZATION)
 #define PREFETCH       prefetcht0
 #define PREFETCHW      prefetcht0
 #define PREFETCHSIZE   (16 * 24)
index 852a818..7b6c597 100644 (file)
@@ -57,7 +57,7 @@
 #define PREFETCHSIZE   (16 * 24)
 #endif
 
-#if defined(NEHALEM) || defined(SANDYBRIDGE)
+#if defined(NEHALEM) || defined(NEHALEM_OPTIMIZATION)
 #define PREFETCH       prefetcht0
 #define PREFETCHW      prefetcht0
 #define PREFETCHSIZE   (16 * 24)
index c79e7f1..6dabf07 100644 (file)
@@ -57,7 +57,7 @@
 #define PREFETCHSIZE   (16 * 24)
 #endif
 
-#if defined(NEHALEM) || defined(SANDYBRIDGE)
+#if defined(NEHALEM) || defined(NEHALEM_OPTIMIZATION)
 #define PREFETCH       prefetcht0
 #define PREFETCHW      prefetcht0
 #define PREFETCHSIZE   (16 * 24)
index 6d0afce..df64d80 100644 (file)
@@ -57,7 +57,7 @@
 #define PREFETCHSIZE   (16 * 24)
 #endif
 
-#if defined(NEHALEM) || defined(SANDYBRIDGE)
+#if defined(NEHALEM) || defined(NEHALEM_OPTIMIZATION)
 #define PREFETCH       prefetcht0
 #define PREFETCHW      prefetcht0
 #define PREFETCHSIZE   (16 * 24)
diff --git a/param.h b/param.h
index 0c3df69..dd613fb 100644 (file)
--- a/param.h
+++ b/param.h
@@ -1150,6 +1150,108 @@ USE OF THIS SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF SUCH DAMAGE.
 
 #endif
 
+#ifdef HASWELL
+
+#define SNUMOPT                8
+#define DNUMOPT                4
+
+#define GEMM_DEFAULT_OFFSET_A    0
+#define GEMM_DEFAULT_OFFSET_B     0
+#define GEMM_DEFAULT_ALIGN 0x03fffUL
+
+#define SYMV_P 8
+
+#define SWITCH_RATIO   4
+
+#ifdef ARCH_X86
+
+#define SGEMM_DEFAULT_UNROLL_M 4
+#define DGEMM_DEFAULT_UNROLL_M 2
+#define QGEMM_DEFAULT_UNROLL_M 2
+#define CGEMM_DEFAULT_UNROLL_M 2
+#define ZGEMM_DEFAULT_UNROLL_M 1
+#define XGEMM_DEFAULT_UNROLL_M 1
+
+#define SGEMM_DEFAULT_UNROLL_N 4
+#define DGEMM_DEFAULT_UNROLL_N 4
+#define QGEMM_DEFAULT_UNROLL_N 2
+#define CGEMM_DEFAULT_UNROLL_N 2
+#define ZGEMM_DEFAULT_UNROLL_N 2
+#define XGEMM_DEFAULT_UNROLL_N 1
+
+#else
+
+#define SGEMM_DEFAULT_UNROLL_M 16
+#define DGEMM_DEFAULT_UNROLL_M 4
+#define QGEMM_DEFAULT_UNROLL_M 2
+#define CGEMM_DEFAULT_UNROLL_M 8
+#define ZGEMM_DEFAULT_UNROLL_M 4
+#define XGEMM_DEFAULT_UNROLL_M 1
+
+#define SGEMM_DEFAULT_UNROLL_N 4
+#define DGEMM_DEFAULT_UNROLL_N 4
+#define QGEMM_DEFAULT_UNROLL_N 2
+#define CGEMM_DEFAULT_UNROLL_N 2
+#define ZGEMM_DEFAULT_UNROLL_N 2
+#define XGEMM_DEFAULT_UNROLL_N 1
+
+#endif
+
+#ifdef ARCH_X86
+
+#define SGEMM_DEFAULT_P 512
+#define SGEMM_DEFAULT_R sgemm_r
+#define DGEMM_DEFAULT_P 512
+#define DGEMM_DEFAULT_R dgemm_r
+#define QGEMM_DEFAULT_P 504
+#define QGEMM_DEFAULT_R qgemm_r
+#define CGEMM_DEFAULT_P 128
+#define CGEMM_DEFAULT_R 1024
+#define ZGEMM_DEFAULT_P 512
+#define ZGEMM_DEFAULT_R zgemm_r
+#define XGEMM_DEFAULT_P 252
+#define XGEMM_DEFAULT_R xgemm_r
+#define SGEMM_DEFAULT_Q 256
+#define DGEMM_DEFAULT_Q 256
+#define QGEMM_DEFAULT_Q 128
+#define CGEMM_DEFAULT_Q 256 
+#define ZGEMM_DEFAULT_Q 192
+#define XGEMM_DEFAULT_Q 128
+
+#else
+
+#define SGEMM_DEFAULT_P 768
+#define DGEMM_DEFAULT_P 512
+#define CGEMM_DEFAULT_P 384
+#define ZGEMM_DEFAULT_P 256
+
+#define SGEMM_DEFAULT_Q 384
+#define DGEMM_DEFAULT_Q 256
+#define CGEMM_DEFAULT_Q 192 
+#define ZGEMM_DEFAULT_Q 128
+
+#define SGEMM_DEFAULT_R sgemm_r
+//#define DGEMM_DEFAULT_R dgemm_r
+#define DGEMM_DEFAULT_R 13824
+#define CGEMM_DEFAULT_R cgemm_r
+#define ZGEMM_DEFAULT_R zgemm_r
+
+#define QGEMM_DEFAULT_Q 128
+#define QGEMM_DEFAULT_P 504
+#define QGEMM_DEFAULT_R qgemm_r
+#define XGEMM_DEFAULT_P 252
+#define XGEMM_DEFAULT_R xgemm_r
+#define XGEMM_DEFAULT_Q 128
+
+#define CGEMM3M_DEFAULT_UNROLL_N 4
+#define CGEMM3M_DEFAULT_UNROLL_M 8
+#define ZGEMM3M_DEFAULT_UNROLL_N 2
+#define ZGEMM3M_DEFAULT_UNROLL_M 8
+#endif
+
+
+#endif
+
 
 
 #ifdef ATOM