added zgemm_kernel for Piledriver
authorwernsaar <wernsaar@googlemail.com>
Wed, 30 Oct 2013 08:12:17 +0000 (09:12 +0100)
committerwernsaar <wernsaar@googlemail.com>
Wed, 30 Oct 2013 08:12:17 +0000 (09:12 +0100)
kernel/x86_64/KERNEL.PILEDRIVER
kernel/x86_64/zgemm_kernel_2x2_piledriver.S [new file with mode: 0644]

index 2bc0ae7..5a5b42b 100644 (file)
@@ -36,7 +36,7 @@ CGEMMINCOPYOBJ =  cgemm_incopy$(TSUFFIX).$(SUFFIX)
 CGEMMITCOPYOBJ =  cgemm_itcopy$(TSUFFIX).$(SUFFIX)
 CGEMMONCOPYOBJ =  cgemm_oncopy$(TSUFFIX).$(SUFFIX)
 CGEMMOTCOPYOBJ =  cgemm_otcopy$(TSUFFIX).$(SUFFIX)
-ZGEMMKERNEL    =  zgemm_kernel_2x2_bulldozer.S
+ZGEMMKERNEL    =  zgemm_kernel_2x2_piledriver.S
 ZGEMMINCOPY    =
 ZGEMMITCOPY    =
 ZGEMMONCOPY    =  ../generic/zgemm_ncopy_2.c
diff --git a/kernel/x86_64/zgemm_kernel_2x2_piledriver.S b/kernel/x86_64/zgemm_kernel_2x2_piledriver.S
new file mode 100644 (file)
index 0000000..9f1392d
--- /dev/null
@@ -0,0 +1,1428 @@
+/***************************************************************************\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
+* 2013/10/30 Saar\r
+*        BLASTEST               : OK\r
+*        CTEST                  : OK\r
+*        TEST                   : OK\r
+*\r
+*\r
+* 2013/10/30 Saar\r
+*\r
+* Parameter:\r
+*       UNROLL_M        2\r
+*       UNROLL_N        2\r
+*       ZGEMM_P         384\r
+*       ZGEMM_Q         168\r
+*       A_PR1           512\r
+*       B_PR1           256\r
+*\r
+* Performance at m x n on AMD 8320 (ACML-Version: 5.3.1):\r
+* \r
+* 3456x3456     82.4    GFLOPS with 8 threads on 4 modules (ACML:  76.3 ) (BULLDOZER:  81.0 )\r
+* 3456x3456     79.9    GFLOPS with 4 threads on 4 modules (ACML:  69.9 ) (BULLDOZER:  74.6 )\r
+* 3456x3456     40.4    GFLOPS with 2 threads on 2 modules (ACML:  35.8 ) (BULLDOZER:  37.9 )\r
+* 3456x3456     20.3    GFLOPS with 1 threads on 1 modules (ACML:  18.1 ) (BULLDOZER:  19.2 )\r
+*\r
+* Performance at m x n on AMD 6380  (ACML-Version: 5.3.1):\r
+* \r
+* 6912x6912    227.5    GFLOPS with 32 threads on 16 modules (ACML: 166.3 ) (BULLDOZER: 228.5 )\r
+* 6912x6912    211.6    GFLOPS with 16 threads on 16 modules (ACML: 169.5 ) (BULLDOZER: 204.3 )\r
+* 6912x6912    123.5    GFLOPS with  8 threads on  8 modules (ACML:  92.7 ) (BULLDOZER: 117.0 )\r
+* 3456x3456     64.1    GFLOPS with  4 threads on  4 modules (ACML:  49.1 ) (BULLDOZER:  61.7 )\r
+* 3456x3456     33.4    GFLOPS with  2 threads on  2 modules (ACML:  28.1 ) (BULLDOZER:  30.9 )\r
+* 3456x3456     17.0    GFLOPS with  1 threads on  1 modules (ACML:  15.2 ) (BULLDOZER:  15.7 )\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(NN) || defined(NT) || defined(TN) || defined(TT)\r
+#define VFMADD_R    vfmaddpd\r
+#define VFMADD_I    vfmaddpd\r
+#elif defined(RN) || defined(RT) || defined(CN) || defined(CT)\r
+#define VFMADD_R    vfnmaddpd\r
+#define VFMADD_I    vfmaddpd\r
+#elif defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+#define VFMADD_R    vfmaddpd\r
+#define VFMADD_I    vfnmaddpd\r
+#else\r
+#define VFMADD_R    vfnmaddpd\r
+#define VFMADD_I    vfnmaddpd\r
+#endif\r
+\r
+\r
+#define        A_PR1   512\r
+#define        B_PR1   256\r
+\r
+#define KERNEL2x2_1(xx) \\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)        ;\\r
+        vmovups          -8 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup         -8 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        vmovups          -6 * SIZE(AO, %rax, SIZE), %xmm1 ;\\r
+        VFMADD_R        %xmm12,%xmm4,%xmm1,%xmm12 ;\\r
+        vmovddup         -7 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+        VFMADD_I        %xmm13,%xmm5,%xmm1,%xmm13 ;\\r
+        vmovddup         -6 * SIZE(BO, BI, SIZE), %xmm6 ;\\r
+        VFMADD_R        %xmm10,%xmm6,%xmm0,%xmm10 ;\\r
+        VFMADD_R        %xmm14,%xmm6,%xmm1,%xmm14 ;\\r
+        vmovddup         -5 * SIZE(BO, BI, SIZE), %xmm7 ;\\r
+        VFMADD_I        %xmm11,%xmm7,%xmm0,%xmm11 ;\\r
+        VFMADD_I        %xmm15,%xmm7,%xmm1,%xmm15 ;\\r
+\r
+#define KERNEL2x2_2(xx) \\r
+        vmovups          -4 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup         -4 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        vmovups          -2 * SIZE(AO, %rax, SIZE), %xmm1 ;\\r
+        VFMADD_R        %xmm12,%xmm4,%xmm1,%xmm12 ;\\r
+        vmovddup         -3 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+        VFMADD_I        %xmm13,%xmm5,%xmm1,%xmm13 ;\\r
+        vmovddup         -2 * SIZE(BO, BI, SIZE), %xmm6 ;\\r
+        VFMADD_R        %xmm10,%xmm6,%xmm0,%xmm10 ;\\r
+        VFMADD_R        %xmm14,%xmm6,%xmm1,%xmm14 ;\\r
+        vmovddup         -1 * SIZE(BO, BI, SIZE), %xmm7 ;\\r
+        VFMADD_I        %xmm11,%xmm7,%xmm0,%xmm11 ;\\r
+        VFMADD_I        %xmm15,%xmm7,%xmm1,%xmm15 ;\\r
+\r
+#define KERNEL2x2_3(xx) \\r
+       prefetcht0      A_PR1+64(AO,%rax,SIZE)     ;\\r
+        vmovups           0 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup          0 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        vmovups           2 * SIZE(AO, %rax, SIZE), %xmm1 ;\\r
+        VFMADD_R        %xmm12,%xmm4,%xmm1,%xmm12 ;\\r
+        vmovddup          1 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+        VFMADD_I        %xmm13,%xmm5,%xmm1,%xmm13 ;\\r
+        vmovddup          2 * SIZE(BO, BI, SIZE), %xmm6 ;\\r
+        VFMADD_R        %xmm10,%xmm6,%xmm0,%xmm10 ;\\r
+        VFMADD_R        %xmm14,%xmm6,%xmm1,%xmm14 ;\\r
+        vmovddup          3 * SIZE(BO, BI, SIZE), %xmm7 ;\\r
+        VFMADD_I        %xmm11,%xmm7,%xmm0,%xmm11 ;\\r
+        VFMADD_I        %xmm15,%xmm7,%xmm1,%xmm15 ;\\r
+\r
+#define KERNEL2x2_4(xx) \\r
+        vmovups           4 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup          4 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        vmovups           6 * SIZE(AO, %rax, SIZE), %xmm1 ;\\r
+        VFMADD_R        %xmm12,%xmm4,%xmm1,%xmm12 ;\\r
+        vmovddup          5 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+        VFMADD_I        %xmm13,%xmm5,%xmm1,%xmm13 ;\\r
+        vmovddup          6 * SIZE(BO, BI, SIZE), %xmm6 ;\\r
+        VFMADD_R        %xmm10,%xmm6,%xmm0,%xmm10 ;\\r
+        VFMADD_R        %xmm14,%xmm6,%xmm1,%xmm14 ;\\r
+        vmovddup          7 * SIZE(BO, BI, SIZE), %xmm7 ;\\r
+        VFMADD_I        %xmm11,%xmm7,%xmm0,%xmm11 ;\\r
+        VFMADD_I        %xmm15,%xmm7,%xmm1,%xmm15 ;\\r
+        addq    $16, BI                            ;\\r
+        addq    $16, %rax                          ;\\r
+\r
+\r
+#define KERNEL2x2_SUB(xx) \\r
+        vmovups          -8 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup         -8 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        vmovups          -6 * SIZE(AO, %rax, SIZE), %xmm1 ;\\r
+        VFMADD_R        %xmm12,%xmm4,%xmm1,%xmm12 ;\\r
+        vmovddup         -7 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+        VFMADD_I        %xmm13,%xmm5,%xmm1,%xmm13 ;\\r
+        vmovddup         -6 * SIZE(BO, BI, SIZE), %xmm6 ;\\r
+        VFMADD_R        %xmm10,%xmm6,%xmm0,%xmm10 ;\\r
+        VFMADD_R        %xmm14,%xmm6,%xmm1,%xmm14 ;\\r
+        vmovddup         -5 * SIZE(BO, BI, SIZE), %xmm7 ;\\r
+        VFMADD_I        %xmm11,%xmm7,%xmm0,%xmm11 ;\\r
+        VFMADD_I        %xmm15,%xmm7,%xmm1,%xmm15 ;\\r
+        addq    $4, BI                            ;\\r
+        addq    $4, %rax                          ;\\r
+\r
+/************************************************************************************************/\r
+\r
+#define KERNEL1x2_1(xx) \\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)        ;\\r
+        vmovups          -8 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup         -8 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        vmovddup         -7 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+        vmovddup         -6 * SIZE(BO, BI, SIZE), %xmm6 ;\\r
+        VFMADD_R        %xmm10,%xmm6,%xmm0,%xmm10 ;\\r
+        vmovddup         -5 * SIZE(BO, BI, SIZE), %xmm7 ;\\r
+        VFMADD_I        %xmm11,%xmm7,%xmm0,%xmm11 ;\\r
+\r
+#define KERNEL1x2_2(xx) \\r
+        vmovups          -6 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup         -4 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        VFMADD_R        %xmm12,%xmm4,%xmm1,%xmm12 ;\\r
+        vmovddup         -3 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+        vmovddup         -2 * SIZE(BO, BI, SIZE), %xmm6 ;\\r
+        VFMADD_R        %xmm10,%xmm6,%xmm0,%xmm10 ;\\r
+        vmovddup         -1 * SIZE(BO, BI, SIZE), %xmm7 ;\\r
+        VFMADD_I        %xmm11,%xmm7,%xmm0,%xmm11 ;\\r
+\r
+#define KERNEL1x2_3(xx) \\r
+        vmovups          -4 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup          0 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        vmovddup          1 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+        vmovddup          2 * SIZE(BO, BI, SIZE), %xmm6 ;\\r
+        VFMADD_R        %xmm10,%xmm6,%xmm0,%xmm10 ;\\r
+        vmovddup          3 * SIZE(BO, BI, SIZE), %xmm7 ;\\r
+        VFMADD_I        %xmm11,%xmm7,%xmm0,%xmm11 ;\\r
+\r
+#define KERNEL1x2_4(xx) \\r
+        vmovups          -2 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup          4 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        vmovddup          5 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+        vmovddup          6 * SIZE(BO, BI, SIZE), %xmm6 ;\\r
+        VFMADD_R        %xmm10,%xmm6,%xmm0,%xmm10 ;\\r
+        vmovddup          7 * SIZE(BO, BI, SIZE), %xmm7 ;\\r
+        VFMADD_I        %xmm11,%xmm7,%xmm0,%xmm11 ;\\r
+        addq    $16, BI                            ;\\r
+        addq    $8 , %rax                          ;\\r
+\r
+\r
+#define KERNEL1x2_SUB(xx) \\r
+        vmovups          -8 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup         -8 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        vmovddup         -7 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+        vmovddup         -6 * SIZE(BO, BI, SIZE), %xmm6 ;\\r
+        VFMADD_R        %xmm10,%xmm6,%xmm0,%xmm10 ;\\r
+        vmovddup         -5 * SIZE(BO, BI, SIZE), %xmm7 ;\\r
+        VFMADD_I        %xmm11,%xmm7,%xmm0,%xmm11 ;\\r
+        addq    $4, BI                            ;\\r
+        addq    $2, %rax                          ;\\r
+\r
+/************************************************************************************************/\r
+\r
+#define KERNEL2x1_1(xx) \\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)        ;\\r
+        vmovups          -8 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup         -4 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        vmovups          -6 * SIZE(AO, %rax, SIZE), %xmm1 ;\\r
+        VFMADD_R        %xmm12,%xmm4,%xmm1,%xmm12 ;\\r
+        vmovddup         -3 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+        VFMADD_I        %xmm13,%xmm5,%xmm1,%xmm13 ;\\r
+\r
+#define KERNEL2x1_2(xx) \\r
+        vmovups          -4 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup         -2 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        vmovups          -2 * SIZE(AO, %rax, SIZE), %xmm1 ;\\r
+        VFMADD_R        %xmm12,%xmm4,%xmm1,%xmm12 ;\\r
+        vmovddup         -1 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+        VFMADD_I        %xmm13,%xmm5,%xmm1,%xmm13 ;\\r
+\r
+#define KERNEL2x1_3(xx) \\r
+       prefetcht0      A_PR1+64(AO,%rax,SIZE)     ;\\r
+        vmovups           0 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup          0 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        vmovups           2 * SIZE(AO, %rax, SIZE), %xmm1 ;\\r
+        VFMADD_R        %xmm12,%xmm4,%xmm1,%xmm12 ;\\r
+        vmovddup          1 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+        VFMADD_I        %xmm13,%xmm5,%xmm1,%xmm13 ;\\r
+\r
+#define KERNEL2x1_4(xx) \\r
+        vmovups           4 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup          2 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        vmovups           6 * SIZE(AO, %rax, SIZE), %xmm1 ;\\r
+        VFMADD_R        %xmm12,%xmm4,%xmm1,%xmm12 ;\\r
+        vmovddup          3 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+        VFMADD_I        %xmm13,%xmm5,%xmm1,%xmm13 ;\\r
+        addq    $8, BI                            ;\\r
+        addq    $16, %rax                          ;\\r
+\r
+\r
+#define KERNEL2x1_SUB(xx) \\r
+        vmovups          -8 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup         -4 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        vmovups          -6 * SIZE(AO, %rax, SIZE), %xmm1 ;\\r
+        VFMADD_R        %xmm12,%xmm4,%xmm1,%xmm12 ;\\r
+        vmovddup         -3 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+        VFMADD_I        %xmm13,%xmm5,%xmm1,%xmm13 ;\\r
+        addq    $2, BI                            ;\\r
+        addq    $4, %rax                          ;\\r
+\r
+\r
+/************************************************************************************************/\r
+\r
+#define KERNEL1x1_1(xx) \\r
+        prefetcht0      A_PR1(AO,%rax,SIZE)        ;\\r
+        vmovups          -8 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup         -4 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        vmovddup         -3 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+\r
+#define KERNEL1x1_2(xx) \\r
+        vmovups          -6 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup         -2 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        vmovddup         -1 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+\r
+#define KERNEL1x1_3(xx) \\r
+        vmovups          -4 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup          0 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        vmovddup          1 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+\r
+#define KERNEL1x1_4(xx) \\r
+        vmovups          -2 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup          2 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        vmovddup          3 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+        addq    $8, BI                            ;\\r
+        addq    $8, %rax                          ;\\r
+\r
+\r
+#define KERNEL1x1_SUB(xx) \\r
+        vmovups          -8 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+        vmovddup         -4 * SIZE(BO, BI, SIZE), %xmm4 ;\\r
+        VFMADD_R        %xmm8,%xmm4,%xmm0,%xmm8 ;\\r
+        vmovddup         -3 * SIZE(BO, BI, SIZE), %xmm5 ;\\r
+        VFMADD_I        %xmm9,%xmm5,%xmm0,%xmm9 ;\\r
+        addq    $2, BI                            ;\\r
+        addq    $2, %rax                          ;\\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_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 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_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    $8 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $1, I                   // i = (m >> 1)\r
+       je      .L2_40\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
+       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_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_12:\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_1(xxx)\r
+       KERNEL2x2_2(xxx)\r
+       prefetcht0      B_PR1+64(BO,BI,SIZE)\r
+       KERNEL2x2_3(xxx)\r
+       KERNEL2x2_4(xxx)\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_1(xxx)\r
+       KERNEL2x2_2(xxx)\r
+       prefetcht0      B_PR1+64(BO,BI,SIZE)\r
+       KERNEL2x2_3(xxx)\r
+       KERNEL2x2_4(xxx)\r
+\r
+       je      .L2_16\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_1(xxx)\r
+       KERNEL2x2_2(xxx)\r
+       prefetcht0      B_PR1+64(BO,BI,SIZE)\r
+       KERNEL2x2_3(xxx)\r
+       KERNEL2x2_4(xxx)\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_1(xxx)\r
+       KERNEL2x2_2(xxx)\r
+       prefetcht0      B_PR1+64(BO,BI,SIZE)\r
+       KERNEL2x2_3(xxx)\r
+       KERNEL2x2_4(xxx)\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,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_17:\r
+\r
+       KERNEL2x2_SUB(xxx)\r
+       jl      .L2_17\r
+       ALIGN_4\r
+\r
+\r
+.L2_19:\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
+#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_11\r
+       ALIGN_4 \r
+\r
+\r
+/**************************************************************************\r
+* Rest of M \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
+\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_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_42:\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_1(xxx)\r
+       KERNEL1x2_2(xxx)\r
+       prefetcht0      B_PR1+64(BO,BI,SIZE)\r
+       KERNEL1x2_3(xxx)\r
+       KERNEL1x2_4(xxx)\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_1(xxx)\r
+       KERNEL1x2_2(xxx)\r
+       prefetcht0      B_PR1+64(BO,BI,SIZE)\r
+       KERNEL1x2_3(xxx)\r
+       KERNEL1x2_4(xxx)\r
+\r
+       je      .L2_46\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_1(xxx)\r
+       KERNEL1x2_2(xxx)\r
+       prefetcht0      B_PR1+64(BO,BI,SIZE)\r
+       KERNEL1x2_3(xxx)\r
+       KERNEL1x2_4(xxx)\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_1(xxx)\r
+       KERNEL1x2_2(xxx)\r
+       prefetcht0      B_PR1+64(BO,BI,SIZE)\r
+       KERNEL1x2_3(xxx)\r
+       KERNEL1x2_4(xxx)\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,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_47:\r
+\r
+       KERNEL1x2_SUB(xxx)\r
+       jl      .L2_47\r
+       ALIGN_4\r
+\r
+\r
+.L2_49:\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
+\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
+#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
+       ALIGN_4 \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
+       vmovups         (BO1), %xmm0\r
+       vmovups %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    $8 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $1, I                   // i = (m >> 1)\r
+       je      .L1_40\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
+       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_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_12:\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x1_1(xxx)\r
+       KERNEL2x1_2(xxx)\r
+       KERNEL2x1_3(xxx)\r
+       KERNEL2x1_4(xxx)\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x1_1(xxx)\r
+       KERNEL2x1_2(xxx)\r
+       KERNEL2x1_3(xxx)\r
+       KERNEL2x1_4(xxx)\r
+\r
+       je      .L1_16\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x1_1(xxx)\r
+       KERNEL2x1_2(xxx)\r
+       KERNEL2x1_3(xxx)\r
+       KERNEL2x1_4(xxx)\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x1_1(xxx)\r
+       KERNEL2x1_2(xxx)\r
+       KERNEL2x1_3(xxx)\r
+       KERNEL2x1_4(xxx)\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
+        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_17:\r
+\r
+       KERNEL2x1_SUB(xxx)\r
+       jl      .L1_17\r
+       ALIGN_4\r
+\r
+\r
+.L1_19:\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
+\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
+\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
+       decq    I                       # i --\r
+       jg      .L1_11\r
+       ALIGN_4 \r
+\r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L1_40:\r
+       testq   $1, M           \r
+       jz      .L999\r
+\r
+       ALIGN_4\r
+\r
+.L1_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_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_42:\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x1_1(xxx)\r
+       KERNEL1x1_2(xxx)\r
+       KERNEL1x1_3(xxx)\r
+       KERNEL1x1_4(xxx)\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x1_1(xxx)\r
+       KERNEL1x1_2(xxx)\r
+       KERNEL1x1_3(xxx)\r
+       KERNEL1x1_4(xxx)\r
+\r
+       je      .L1_46\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x1_1(xxx)\r
+       KERNEL1x1_2(xxx)\r
+       KERNEL1x1_3(xxx)\r
+       KERNEL1x1_4(xxx)\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x1_1(xxx)\r
+       KERNEL1x1_2(xxx)\r
+       KERNEL1x1_3(xxx)\r
+       KERNEL1x1_4(xxx)\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
+        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_47:\r
+\r
+       KERNEL1x1_SUB(xxx)\r
+       jl      .L1_47\r
+       ALIGN_4\r
+\r
+\r
+.L1_49:\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
+\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddpd          (CO1), %xmm8 , %xmm8\r
+\r
+#endif\r
+\r
+       vmovups %xmm8 ,         (CO1)\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
+\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