added sgemm_kernel_16x4_haswell.S
authorwernsaar <wernsaar@googlemail.com>
Thu, 15 Aug 2013 16:46:14 +0000 (18:46 +0200)
committerwernsaar <wernsaar@googlemail.com>
Thu, 15 Aug 2013 16:46:14 +0000 (18:46 +0200)
kernel/x86/sgemm_kernel_16x4_haswell.S [new file with mode: 0644]

diff --git a/kernel/x86/sgemm_kernel_16x4_haswell.S b/kernel/x86/sgemm_kernel_16x4_haswell.S
new file mode 100644 (file)
index 0000000..9c0334b
--- /dev/null
@@ -0,0 +1,3167 @@
+/*********************************************************************/\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
+* 2013/08/15 Saar\r
+* Parameter:\r
+*      SGEMM_DEFAULT_UNROLL_N  4\r
+*      SGEMM_DEFAULT_UNROLL_M  16\r
+*      SGEMM_DEFAULT_P         768\r
+*      SGEMM_DEFAULT_Q         168\r
+*      \r
+* BLASTEST: OK\r
+*      \r
+* Performance:\r
+*      1 thread:       2.22 times faster than sandybridge\r
+*      4 threads:      2.26 times faster than sandybridge\r
+*\r
+* Compile for FMA3: OK\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) || defined(PILEDRIVER)\r
+\r
+.macro VFMADD231PS_ y0,y1,y2\r
+       vfmaddps \y0,\y1,\y2,\y0\r
+.endm\r
+\r
+.macro VFMADD231SS_ x0,x1,x2\r
+       vfmaddss \x0,\x1,\x2,\x0\r
+.endm\r
+\r
+#else\r
+\r
+.macro VFMADD231PS_ y0,y1,y2\r
+       vfmadd231ps \y0,\y1,\y2\r
+.endm\r
+\r
+.macro VFMADD231SS_ x0,x1,x2\r
+       vfmadd231ss \x0,\x1,\x2\r
+.endm\r
+\r
+#endif\r
+\r
+\r
+#define        A_PR1   384\r
+#define        B_PR1   192\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
+.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