added cgemm_kernel_8x2_haswell.S
authorwernsaar <wernsaar@googlemail.com>
Fri, 16 Aug 2013 16:54:56 +0000 (18:54 +0200)
committerwernsaar <wernsaar@googlemail.com>
Fri, 16 Aug 2013 16:54:56 +0000 (18:54 +0200)
kernel/x86_64/cgemm_kernel_8x2_haswell.S [new file with mode: 0644]

diff --git a/kernel/x86_64/cgemm_kernel_8x2_haswell.S b/kernel/x86_64/cgemm_kernel_8x2_haswell.S
new file mode 100644 (file)
index 0000000..0561c0f
--- /dev/null
@@ -0,0 +1,2318 @@
+/*********************************************************************/\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
+* 2013/08/16 Saar\r
+* Parameter:\r
+*       CGEMM_DEFAULT_UNROLL_N  2\r
+*       CGEMM_DEFAULT_UNROLL_M  8\r
+*       CGEMM_DEFAULT_P         224\r
+*       CGEMM_DEFAULT_Q         224\r
+*\r
+* BLASTEST: OK\r
+*\r
+* Performance:\r
+*       1 thread:       2.04 times faster than sandybridge\r
+*       4 threads:      1.96 times faster than sandybridge\r
+*\r
+* Compile for FMA3: OK\r
+*\r
+*********************************************************************/\r
+\r
+\r
+\r
+#define ASSEMBLER\r
+#include "common.h"\r
\r
+#define OLD_M  %rdi\r
+#define OLD_N  %rsi\r
+#define M      %r13\r
+#define J      %r14\r
+#define OLD_K  %rdx\r
+\r
+#define A      %rcx\r
+#define B      %r8\r
+#define C      %r9\r
+#define LDC    %r10\r
+       \r
+#define I      %r11\r
+#define AO     %rdi\r
+#define BO     %rsi\r
+#define        CO1     %r15\r
+#define K      %r12\r
+#define BI     %rbp\r
+#define        SP      %rbx\r
+\r
+#define BO1    %rdi\r
+#define BO2    %r15\r
+\r
+#ifndef WINDOWS_ABI\r
+\r
+#define STACKSIZE 96\r
+\r
+#else\r
+\r
+#define STACKSIZE 320\r
+\r
+#define OLD_ALPHA_I     40 + STACKSIZE(%rsp)\r
+#define OLD_A           48 + STACKSIZE(%rsp)\r
+#define OLD_B           56 + STACKSIZE(%rsp)\r
+#define OLD_C           64 + STACKSIZE(%rsp)\r
+#define OLD_LDC         72 + STACKSIZE(%rsp)\r
+#define OLD_OFFSET      80 + STACKSIZE(%rsp)\r
+\r
+#endif\r
+\r
+#define L_BUFFER_SIZE 512*8*4\r
+#define LB2_OFFSET    512*8*2\r
+\r
+#define Ndiv6   24(%rsp)\r
+#define Nmod6   32(%rsp)\r
+#define N       40(%rsp)\r
+#define ALPHA_R  48(%rsp)\r
+#define ALPHA_I  56(%rsp)\r
+#define OFFSET   64(%rsp)\r
+#define KK       72(%rsp)\r
+#define KKK      80(%rsp)\r
+#define BUFFER1                   128(%rsp)\r
+#define BUFFER2        LB2_OFFSET+128(%rsp)\r
+\r
+#if defined(OS_WINDOWS)\r
+#if   L_BUFFER_SIZE > 16384\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 4(%rsp);\\r
+        movl    $0,  4096 * 3(%rsp);\\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 12288\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 3(%rsp);\\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 8192\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 4096\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 1(%rsp);\r
+#else\r
+#define STACK_TOUCH\r
+#endif\r
+#else\r
+#define STACK_TOUCH\r
+#endif\r
+\r
+\r
+#if defined(BULLDOZER) || defined(PILEDRIVER)\r
+\r
+#if   defined(NN) || defined(NT) || defined(TN) || defined(TT)\r
+\r
+.macro VFMADDPS_R y0,y1,y2\r
+        vfmaddps \y0,\y1,\y2,\y0\r
+.endm\r
+\r
+.macro VFMADDPS_I y0,y1,y2\r
+        vfmaddps \y0,\y1,\y2,\y0\r
+.endm\r
+\r
+#elif defined(RN) || defined(RT) || defined(CN) || defined(CT)\r
+\r
+.macro VFMADDPS_R y0,y1,y2\r
+        vfnmaddps \y0,\y1,\y2,\y0\r
+.endm\r
+\r
+.macro VFMADDPS_I y0,y1,y2\r
+        vfmaddps \y0,\y1,\y2,\y0\r
+.endm\r
+\r
+#elif defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+.macro VFMADDPS_R y0,y1,y2\r
+        vfmaddps \y0,\y1,\y2,\y0\r
+.endm\r
+\r
+.macro VFMADDPS_I y0,y1,y2\r
+        vfnmaddps \y0,\y1,\y2,\y0\r
+.endm\r
+\r
+#else\r
+\r
+.macro VFMADDPS_R y0,y1,y2\r
+        vfnmaddps \y0,\y1,\y2,\y0\r
+.endm\r
+\r
+.macro VFMADDPS_I y0,y1,y2\r
+        vfnmaddps \y0,\y1,\y2,\y0\r
+.endm\r
+\r
+#endif\r
+\r
+#else\r
+\r
+#if   defined(NN) || defined(NT) || defined(TN) || defined(TT)\r
+\r
+.macro VFMADDPS_R y0,y1,y2\r
+        vfmadd231ps \y0,\y1,\y2\r
+.endm\r
+\r
+.macro VFMADDPS_I y0,y1,y2\r
+        vfmadd231ps \y0,\y1,\y2\r
+.endm\r
+\r
+#elif defined(RN) || defined(RT) || defined(CN) || defined(CT)\r
+\r
+.macro VFMADDPS_R y0,y1,y2\r
+        vfnmadd231ps \y0,\y1,\y2\r
+.endm\r
+\r
+.macro VFMADDPS_I y0,y1,y2\r
+        vfmadd231ps \y0,\y1,\y2\r
+.endm\r
+\r
+#elif defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+.macro VFMADDPS_R y0,y1,y2\r
+        vfmadd231ps \y0,\y1,\y2\r
+.endm\r
+\r
+.macro VFMADDPS_I y0,y1,y2\r
+        vfnmadd231ps \y0,\y1,\y2\r
+.endm\r
+\r
+#else\r
+\r
+.macro VFMADDPS_R y0,y1,y2\r
+        vfnmadd231ps \y0,\y1,\y2\r
+.endm\r
+\r
+.macro VFMADDPS_I y0,y1,y2\r
+        vfnmadd231ps \y0,\y1,\y2\r
+.endm\r
+\r
+#endif\r
+\r
+#endif\r
+\r
+\r
+#define        A_PR1   384\r
+#define        B_PR1   192\r
+\r
+/***************************************************************************************************************************/\r
+\r
+.macro KERNEL8x2_SUB\r
+\r
+        vmovups         -16 * SIZE(AO, %rax, SIZE), %ymm0\r
+        vbroadcastss         -8 * SIZE(BO, BI, SIZE), %ymm4\r
+        VFMADDPS_R        %ymm8,%ymm4,%ymm0\r
+        vmovups          -8 * SIZE(AO, %rax, SIZE), %ymm1\r
+        VFMADDPS_R        %ymm12,%ymm4,%ymm1\r
+        vbroadcastss         -7 * SIZE(BO, BI, SIZE), %ymm5\r
+        VFMADDPS_I        %ymm9,%ymm5,%ymm0\r
+        VFMADDPS_I        %ymm13,%ymm5,%ymm1\r
+        vbroadcastss         -6 * SIZE(BO, BI, SIZE), %ymm6\r
+        VFMADDPS_R        %ymm10,%ymm6,%ymm0\r
+        VFMADDPS_R        %ymm14,%ymm6,%ymm1\r
+        vbroadcastss         -5 * SIZE(BO, BI, SIZE), %ymm7\r
+        VFMADDPS_I        %ymm11,%ymm7,%ymm0\r
+        VFMADDPS_I        %ymm15,%ymm7,%ymm1\r
+        addq    $4 , BI                           \r
+        addq    $16, %rax                         \r
+.endm\r
+\r
+.macro SAVE8x2\r
+\r
+       vbroadcastss    ALPHA_R, %ymm0\r
+       vbroadcastss    ALPHA_I, %ymm1\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %ymm9 , %ymm9, %ymm9\r
+        vshufps $0xb1, %ymm11, %ymm11, %ymm11\r
+        vshufps $0xb1, %ymm13, %ymm13, %ymm13\r
+        vshufps $0xb1, %ymm15, %ymm15, %ymm15\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubps %ymm9, %ymm8 , %ymm8\r
+        vaddsubps %ymm11,%ymm10, %ymm10\r
+        vaddsubps %ymm13,%ymm12, %ymm12\r
+        vaddsubps %ymm15,%ymm14, %ymm14\r
+\r
+        vshufps $0xb1, %ymm8 , %ymm8, %ymm9\r
+        vshufps $0xb1, %ymm10, %ymm10, %ymm11\r
+        vshufps $0xb1, %ymm12, %ymm12, %ymm13\r
+        vshufps $0xb1, %ymm14, %ymm14, %ymm15\r
+\r
+#else\r
+        vaddsubps %ymm8,  %ymm9 ,%ymm9\r
+        vaddsubps %ymm10, %ymm11,%ymm11\r
+        vaddsubps %ymm12, %ymm13,%ymm13\r
+        vaddsubps %ymm14, %ymm15,%ymm15\r
+\r
+        vmovaps   %ymm9,  %ymm8\r
+        vmovaps   %ymm11, %ymm10\r
+        vmovaps   %ymm13, %ymm12\r
+        vmovaps   %ymm15, %ymm14\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %ymm9 , %ymm9, %ymm9\r
+        vshufps $0xb1, %ymm11, %ymm11, %ymm11\r
+        vshufps $0xb1, %ymm13, %ymm13, %ymm13\r
+        vshufps $0xb1, %ymm15, %ymm15, %ymm15\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulps  %ymm8 , %ymm0, %ymm8\r
+        vmulps  %ymm10, %ymm0, %ymm10\r
+        vmulps  %ymm12, %ymm0, %ymm12\r
+        vmulps  %ymm14, %ymm0, %ymm14\r
+\r
+       // multiply with ALPHA_I\r
+        vmulps  %ymm9 , %ymm1, %ymm9\r
+        vmulps  %ymm11, %ymm1, %ymm11\r
+        vmulps  %ymm13, %ymm1, %ymm13\r
+        vmulps  %ymm15, %ymm1, %ymm15\r
+\r
+       vaddsubps %ymm9, %ymm8 , %ymm8\r
+        vaddsubps %ymm11,%ymm10, %ymm10\r
+        vaddsubps %ymm13,%ymm12, %ymm12\r
+        vaddsubps %ymm15,%ymm14, %ymm14\r
+\r
+\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddps          (CO1), %ymm8 , %ymm8\r
+       vaddps  8 * SIZE(CO1), %ymm12, %ymm12\r
+\r
+       vaddps          (CO1, LDC), %ymm10, %ymm10\r
+       vaddps  8 * SIZE(CO1, LDC), %ymm14, %ymm14\r
+\r
+#endif\r
+\r
+       vmovups %ymm8 ,         (CO1)\r
+       vmovups %ymm12 , 8 * SIZE(CO1)\r
+\r
+       vmovups %ymm10 ,        (CO1, LDC)\r
+       vmovups %ymm14 , 8 * SIZE(CO1, LDC)\r
+\r
+.endm\r
+\r
+/***************************************************************************************************************************/\r
+\r
+.macro KERNEL4x2_SUB\r
+        vmovups         -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+        vbroadcastss         -8 * SIZE(BO, BI, SIZE), %xmm4\r
+        VFMADDPS_R        %xmm8,%xmm4,%xmm0\r
+        vmovups         -12 * SIZE(AO, %rax, SIZE), %xmm1\r
+        VFMADDPS_R        %xmm12,%xmm4,%xmm1\r
+        vbroadcastss         -7 * SIZE(BO, BI, SIZE), %xmm5\r
+        VFMADDPS_I        %xmm9,%xmm5,%xmm0\r
+        VFMADDPS_I        %xmm13,%xmm5,%xmm1\r
+        vbroadcastss         -6 * SIZE(BO, BI, SIZE), %xmm6\r
+        VFMADDPS_R        %xmm10,%xmm6,%xmm0\r
+        VFMADDPS_R        %xmm14,%xmm6,%xmm1\r
+        vbroadcastss         -5 * SIZE(BO, BI, SIZE), %xmm7\r
+        VFMADDPS_I        %xmm11,%xmm7,%xmm0\r
+        VFMADDPS_I        %xmm15,%xmm7,%xmm1\r
+        addq    $4, BI                           \r
+        addq    $8, %rax                         \r
+.endm\r
+\r
+.macro SAVE4x2\r
+\r
+       vbroadcastss    ALPHA_R, %xmm0\r
+       vbroadcastss    ALPHA_I, %xmm1\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm11, %xmm11, %xmm11\r
+        vshufps $0xb1, %xmm13, %xmm13, %xmm13\r
+        vshufps $0xb1, %xmm15, %xmm15, %xmm15\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm11,%xmm10, %xmm10\r
+        vaddsubps %xmm13,%xmm12, %xmm12\r
+        vaddsubps %xmm15,%xmm14, %xmm14\r
+\r
+        vshufps $0xb1, %xmm8 , %xmm8, %xmm9\r
+        vshufps $0xb1, %xmm10, %xmm10, %xmm11\r
+        vshufps $0xb1, %xmm12, %xmm12, %xmm13\r
+        vshufps $0xb1, %xmm14, %xmm14, %xmm15\r
+\r
+#else\r
+        vaddsubps %xmm8,  %xmm9 ,%xmm9\r
+        vaddsubps %xmm10, %xmm11,%xmm11\r
+        vaddsubps %xmm12, %xmm13,%xmm13\r
+        vaddsubps %xmm14, %xmm15,%xmm15\r
+\r
+        vmovaps   %xmm9,  %xmm8\r
+        vmovaps   %xmm11, %xmm10\r
+        vmovaps   %xmm13, %xmm12\r
+        vmovaps   %xmm15, %xmm14\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm11, %xmm11, %xmm11\r
+        vshufps $0xb1, %xmm13, %xmm13, %xmm13\r
+        vshufps $0xb1, %xmm15, %xmm15, %xmm15\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulps  %xmm8 , %xmm0, %xmm8\r
+        vmulps  %xmm10, %xmm0, %xmm10\r
+        vmulps  %xmm12, %xmm0, %xmm12\r
+        vmulps  %xmm14, %xmm0, %xmm14\r
+\r
+       // multiply with ALPHA_I\r
+        vmulps  %xmm9 , %xmm1, %xmm9\r
+        vmulps  %xmm11, %xmm1, %xmm11\r
+        vmulps  %xmm13, %xmm1, %xmm13\r
+        vmulps  %xmm15, %xmm1, %xmm15\r
+\r
+       vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm11,%xmm10, %xmm10\r
+        vaddsubps %xmm13,%xmm12, %xmm12\r
+        vaddsubps %xmm15,%xmm14, %xmm14\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddps          (CO1), %xmm8 , %xmm8\r
+       vaddps  4 * SIZE(CO1), %xmm12, %xmm12\r
+\r
+       vaddps          (CO1, LDC), %xmm10, %xmm10\r
+       vaddps  4 * SIZE(CO1, LDC), %xmm14, %xmm14\r
+\r
+#endif\r
+\r
+       vmovups %xmm8 ,         (CO1)\r
+       vmovups %xmm12 , 4 * SIZE(CO1)\r
+\r
+       vmovups %xmm10 ,        (CO1, LDC)\r
+       vmovups %xmm14 , 4 * SIZE(CO1, LDC)\r
+\r
+.endm\r
+\r
+/************************************************************************************************/\r
+\r
+.macro KERNEL2x2_SUB\r
+        vmovups         -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+        vbroadcastss         -8 * SIZE(BO, BI, SIZE), %xmm4\r
+        VFMADDPS_R        %xmm8,%xmm4,%xmm0\r
+        vbroadcastss         -7 * SIZE(BO, BI, SIZE), %xmm5\r
+        VFMADDPS_I        %xmm9,%xmm5,%xmm0\r
+        vbroadcastss         -6 * SIZE(BO, BI, SIZE), %xmm6\r
+        VFMADDPS_R        %xmm10,%xmm6,%xmm0\r
+        vbroadcastss         -5 * SIZE(BO, BI, SIZE), %xmm7\r
+        VFMADDPS_I        %xmm11,%xmm7,%xmm0\r
+        addq    $4, BI                           \r
+        addq    $4, %rax                         \r
+.endm\r
+\r
+.macro SAVE2x2\r
+\r
+       vbroadcastss    ALPHA_R, %xmm0\r
+       vbroadcastss    ALPHA_I, %xmm1\r
+\r
+       // swap high and low 4 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm11, %xmm11, %xmm11\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm11,%xmm10, %xmm10\r
+\r
+        vshufps $0xb1, %xmm8 , %xmm8, %xmm9\r
+        vshufps $0xb1, %xmm10, %xmm10, %xmm11\r
+\r
+#else\r
+        vaddsubps %xmm8,  %xmm9 ,%xmm9\r
+        vaddsubps %xmm10, %xmm11,%xmm11\r
+\r
+        vmovaps   %xmm9,  %xmm8\r
+        vmovaps   %xmm11, %xmm10\r
+\r
+       // swap high and low 4 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm11, %xmm11, %xmm11\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulps  %xmm8 , %xmm0, %xmm8\r
+        vmulps  %xmm10, %xmm0, %xmm10\r
+\r
+       // multiply with ALPHA_I\r
+        vmulps  %xmm9 , %xmm1, %xmm9\r
+        vmulps  %xmm11, %xmm1, %xmm11\r
+\r
+       vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm11,%xmm10, %xmm10\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddps          (CO1), %xmm8 , %xmm8\r
+\r
+       vaddps          (CO1, LDC), %xmm10, %xmm10\r
+\r
+#endif\r
+\r
+       vmovups %xmm8 ,         (CO1)\r
+\r
+       vmovups %xmm10 ,        (CO1, LDC)\r
+\r
+.endm\r
+\r
+/************************************************************************************************/\r
+\r
+.macro KERNEL1x2_SUB\r
+        vmovsd         -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+        vbroadcastss         -8 * SIZE(BO, BI, SIZE), %xmm4\r
+        VFMADDPS_R        %xmm8,%xmm4,%xmm0\r
+        vbroadcastss         -7 * SIZE(BO, BI, SIZE), %xmm5\r
+        VFMADDPS_I        %xmm9,%xmm5,%xmm0\r
+        vbroadcastss         -6 * SIZE(BO, BI, SIZE), %xmm6\r
+        VFMADDPS_R        %xmm10,%xmm6,%xmm0\r
+        vbroadcastss         -5 * SIZE(BO, BI, SIZE), %xmm7\r
+        VFMADDPS_I        %xmm11,%xmm7,%xmm0\r
+        addq    $4, BI                           \r
+        addq    $2, %rax                         \r
+.endm\r
+\r
+.macro SAVE1x2\r
+\r
+       vbroadcastss    ALPHA_R, %xmm0\r
+       vbroadcastss    ALPHA_I, %xmm1\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm11, %xmm11, %xmm11\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm11,%xmm10, %xmm10\r
+\r
+        vshufps $0xb1, %xmm8 , %xmm8, %xmm9\r
+        vshufps $0xb1, %xmm10, %xmm10, %xmm11\r
+\r
+#else\r
+        vaddsubps %xmm8,  %xmm9 ,%xmm9\r
+        vaddsubps %xmm10, %xmm11,%xmm11\r
+\r
+        vmovaps   %xmm9,  %xmm8\r
+        vmovaps   %xmm11, %xmm10\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm11, %xmm11, %xmm11\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulps  %xmm8 , %xmm0, %xmm8\r
+        vmulps  %xmm10, %xmm0, %xmm10\r
+\r
+       // multiply with ALPHA_I\r
+        vmulps  %xmm9 , %xmm1, %xmm9\r
+        vmulps  %xmm11, %xmm1, %xmm11\r
+\r
+       vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm11,%xmm10, %xmm10\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vmovsd          (CO1), %xmm14\r
+       vaddps          %xmm14, %xmm8 , %xmm8\r
+\r
+       vmovsd          (CO1, LDC), %xmm15\r
+       vaddps          %xmm15, %xmm10, %xmm10\r
+\r
+#endif\r
+\r
+       vmovsd  %xmm8 ,         (CO1)\r
+       vmovsd  %xmm10 ,        (CO1, LDC)\r
+\r
+.endm\r
+\r
+/************************************************************************************************/\r
+\r
+.macro KERNEL8x1_SUB\r
+        vmovups         -16 * SIZE(AO, %rax, SIZE), %ymm0\r
+        vmovups          -8 * SIZE(AO, %rax, SIZE), %ymm1\r
+        vbroadcastss         -4 * SIZE(BO, BI, SIZE), %ymm4\r
+        VFMADDPS_R        %ymm8,%ymm4,%ymm0\r
+        VFMADDPS_R        %ymm12,%ymm4,%ymm1\r
+        vbroadcastss         -3 * SIZE(BO, BI, SIZE), %ymm5\r
+        VFMADDPS_I        %ymm9,%ymm5,%ymm0\r
+        VFMADDPS_I        %ymm13,%ymm5,%ymm1\r
+        addq    $2 , BI                           \r
+        addq    $16, %rax                         \r
+.endm\r
+\r
+.macro SAVE8x1\r
+\r
+       vbroadcastss    ALPHA_R, %ymm0\r
+       vbroadcastss    ALPHA_I, %ymm1\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %ymm9 , %ymm9, %ymm9\r
+        vshufps $0xb1, %ymm13, %ymm13, %ymm13\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubps %ymm9, %ymm8 , %ymm8\r
+        vaddsubps %ymm13,%ymm12, %ymm12\r
+\r
+        vshufps $0xb1, %ymm8 , %ymm8, %ymm9\r
+        vshufps $0xb1, %ymm12, %ymm12, %ymm13\r
+\r
+#else\r
+        vaddsubps %ymm8,  %ymm9 ,%ymm9\r
+        vaddsubps %ymm12, %ymm13,%ymm13\r
+\r
+        vmovaps   %ymm9,  %ymm8\r
+        vmovaps   %ymm13, %ymm12\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %ymm9 , %ymm9, %ymm9\r
+        vshufps $0xb1, %ymm13, %ymm13, %ymm13\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulps  %ymm8 , %ymm0, %ymm8\r
+        vmulps  %ymm12, %ymm0, %ymm12\r
+\r
+       // multiply with ALPHA_I\r
+        vmulps  %ymm9 , %ymm1, %ymm9\r
+        vmulps  %ymm13, %ymm1, %ymm13\r
+\r
+       vaddsubps %ymm9, %ymm8 , %ymm8\r
+        vaddsubps %ymm13,%ymm12, %ymm12\r
+\r
+\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddps          (CO1), %ymm8 , %ymm8\r
+       vaddps  8 * SIZE(CO1), %ymm12, %ymm12\r
+\r
+#endif\r
+\r
+       vmovups %ymm8 ,         (CO1)\r
+       vmovups %ymm12 , 8 * SIZE(CO1)\r
+\r
+.endm\r
+\r
+\r
+/************************************************************************************************/\r
+\r
+.macro KERNEL4x1_SUB\r
+        vmovups         -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+        vbroadcastss         -4 * SIZE(BO, BI, SIZE), %xmm4\r
+        VFMADDPS_R        %xmm8,%xmm4,%xmm0\r
+        vmovups         -12 * SIZE(AO, %rax, SIZE), %xmm1\r
+        VFMADDPS_R        %xmm12,%xmm4,%xmm1\r
+        vbroadcastss         -3 * SIZE(BO, BI, SIZE), %xmm5\r
+        VFMADDPS_I        %xmm9,%xmm5,%xmm0\r
+        VFMADDPS_I        %xmm13,%xmm5,%xmm1\r
+        addq    $2, BI                           \r
+        addq    $8, %rax                         \r
+.endm\r
+\r
+.macro SAVE4x1\r
+\r
+       vbroadcastss    ALPHA_R, %xmm0\r
+       vbroadcastss    ALPHA_I, %xmm1\r
+\r
+       // swap high and low 4 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm13, %xmm13, %xmm13\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm13,%xmm12, %xmm12\r
+\r
+        vshufps $0xb1, %xmm8 , %xmm8, %xmm9\r
+        vshufps $0xb1, %xmm12, %xmm12, %xmm13\r
+\r
+#else\r
+        vaddsubps %xmm8,  %xmm9 ,%xmm9\r
+        vaddsubps %xmm12, %xmm13,%xmm13\r
+\r
+        vmovaps   %xmm9,  %xmm8\r
+        vmovaps   %xmm13, %xmm12\r
+\r
+       // swap high and low 4 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm13, %xmm13, %xmm13\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulps  %xmm8 , %xmm0, %xmm8\r
+        vmulps  %xmm12, %xmm0, %xmm12\r
+\r
+       // multiply with ALPHA_I\r
+        vmulps  %xmm9 , %xmm1, %xmm9\r
+        vmulps  %xmm13, %xmm1, %xmm13\r
+\r
+       vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm13,%xmm12, %xmm12\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddps          (CO1), %xmm8 , %xmm8\r
+       vaddps  4 * SIZE(CO1), %xmm12, %xmm12\r
+\r
+#endif\r
+\r
+       vmovups %xmm8 ,         (CO1)\r
+       vmovups %xmm12 , 4 * SIZE(CO1)\r
+\r
+.endm\r
+\r
+/************************************************************************************************/\r
+\r
+.macro KERNEL2x1_SUB\r
+        vmovups         -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+        vbroadcastss         -4 * SIZE(BO, BI, SIZE), %xmm4\r
+        VFMADDPS_R        %xmm8,%xmm4,%xmm0\r
+        vbroadcastss         -3 * SIZE(BO, BI, SIZE), %xmm5\r
+        VFMADDPS_I        %xmm9,%xmm5,%xmm0\r
+        addq    $2, BI                           \r
+        addq    $4, %rax                         \r
+.endm\r
+\r
+.macro SAVE2x1\r
+\r
+       vbroadcastss    ALPHA_R, %xmm0\r
+       vbroadcastss    ALPHA_I, %xmm1\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubps %xmm9, %xmm8 , %xmm8\r
+\r
+        vshufps $0xb1, %xmm8 , %xmm8, %xmm9\r
+\r
+#else\r
+        vaddsubps %xmm8,  %xmm9 ,%xmm9\r
+\r
+        vmovaps   %xmm9,  %xmm8\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulps  %xmm8 , %xmm0, %xmm8\r
+\r
+       // multiply with ALPHA_I\r
+        vmulps  %xmm9 , %xmm1, %xmm9\r
+\r
+       vaddsubps %xmm9, %xmm8 , %xmm8\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddps          (CO1), %xmm8 , %xmm8\r
+\r
+#endif\r
+\r
+       vmovups %xmm8 ,         (CO1)\r
+\r
+.endm\r
+\r
+/************************************************************************************************/\r
+\r
+.macro KERNEL1x1_SUB\r
+        vmovsd         -16 * SIZE(AO, %rax, SIZE), %xmm0\r
+        vbroadcastss         -4 * SIZE(BO, BI, SIZE), %xmm4\r
+        VFMADDPS_R        %xmm8,%xmm4,%xmm0\r
+        vbroadcastss         -3 * SIZE(BO, BI, SIZE), %xmm5\r
+        VFMADDPS_I        %xmm9,%xmm5,%xmm0\r
+        addq    $2, BI                           \r
+        addq    $2, %rax                         \r
+.endm\r
+\r
+.macro SAVE1x1\r
+\r
+       vbroadcastss    ALPHA_R, %xmm0\r
+       vbroadcastss    ALPHA_I, %xmm1\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubps %xmm9, %xmm8 , %xmm8\r
+\r
+        vshufps $0xb1, %xmm8 , %xmm8, %xmm9\r
+\r
+#else\r
+        vaddsubps %xmm8,  %xmm9 ,%xmm9\r
+\r
+        vmovaps   %xmm9,  %xmm8\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulps  %xmm8 , %xmm0, %xmm8\r
+\r
+       // multiply with ALPHA_I\r
+        vmulps  %xmm9 , %xmm1, %xmm9\r
+\r
+       vaddsubps %xmm9, %xmm8 , %xmm8\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vmovsd          (CO1), %xmm14\r
+       vaddps          %xmm14, %xmm8 , %xmm8\r
+\r
+#endif\r
+\r
+       vmovsd  %xmm8 ,         (CO1)\r
+\r
+.endm\r
+\r
+/************************************************************************************************/\r
+\r
+\r
+\r
+\r
+       PROLOGUE\r
+       PROFCODE\r
+       \r
+       subq    $STACKSIZE, %rsp\r
+       movq    %rbx,   (%rsp)\r
+       movq    %rbp,  8(%rsp)\r
+       movq    %r12, 16(%rsp)\r
+       movq    %r13, 24(%rsp)\r
+       movq    %r14, 32(%rsp)\r
+       movq    %r15, 40(%rsp)\r
+\r
+       vzeroupper\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq    %rdi,    48(%rsp)\r
+       movq    %rsi,    56(%rsp)\r
+       movups  %xmm6,   64(%rsp)\r
+       movups  %xmm7,   80(%rsp)\r
+       movups  %xmm8,   96(%rsp)\r
+       movups  %xmm9,  112(%rsp)\r
+       movups  %xmm10, 128(%rsp)\r
+       movups  %xmm11, 144(%rsp)\r
+       movups  %xmm12, 160(%rsp)\r
+       movups  %xmm13, 176(%rsp)\r
+       movups  %xmm14, 192(%rsp)\r
+       movups  %xmm15, 208(%rsp)\r
+\r
+       movq    ARG1,      OLD_M\r
+       movq    ARG2,      OLD_N\r
+       movq    ARG3,      OLD_K\r
+       movq    OLD_A,     A\r
+       movq    OLD_B,     B\r
+       movq    OLD_C,     C\r
+       movq    OLD_LDC,   LDC\r
+#ifdef TRMMKERNEL\r
+       movsd   OLD_OFFSET, %xmm12\r
+#endif\r
+       vmovaps %xmm3, %xmm0\r
+\r
+#else\r
+       movq    STACKSIZE +  8(%rsp), LDC\r
+#ifdef TRMMKERNEL\r
+       movsd   STACKSIZE + 16(%rsp), %xmm12\r
+#endif\r
+\r
+#endif\r
+\r
+       movq    %rsp, SP      # save old stack\r
+        subq    $128 + L_BUFFER_SIZE, %rsp\r
+        andq    $-4096, %rsp    # align stack\r
+\r
+        STACK_TOUCH\r
+\r
+       cmpq    $0, OLD_M\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_N\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_K\r
+       je      .L999\r
+\r
+       movq    OLD_M, M\r
+       movq    OLD_N, N\r
+       movq    OLD_K, K\r
+\r
+       vmovss   %xmm0, ALPHA_R\r
+       vmovss   %xmm1, ALPHA_I\r
+\r
+       salq    $ZBASE_SHIFT, LDC\r
+\r
+       movq    N, %rax\r
+        xorq    %rdx, %rdx\r
+        movq    $2,  %rdi\r
+        divq    %rdi                    //    N / 2\r
+        movq    %rax, Ndiv6             //    N / 2\r
+        movq    %rdx, Nmod6             //    N % 2\r
+\r
+       \r
+\r
+#ifdef TRMMKERNEL\r
+       vmovsd  %xmm12, OFFSET\r
+       vmovsd  %xmm12, KK\r
+#ifndef LEFT\r
+       negq    KK\r
+#endif \r
+#endif\r
+\r
+.L2_0:\r
+\r
+       movq    Ndiv6,  J\r
+       cmpq    $0, J\r
+       je      .L1_0\r
+       ALIGN_4\r
+\r
+\r
+\r
+.L2_01:\r
+       // copy to sub buffer\r
+       movq    B, BO1\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       movq    K, %rax\r
+       ALIGN_4\r
+\r
+.L2_02b:\r
+\r
+       vmovups (BO1), %xmm0\r
+       vmovups %xmm0,       (BO)\r
+       addq    $4*SIZE,BO1\r
+       addq    $4*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L2_02b\r
+\r
+.L2_02c:\r
+\r
+       movq    BO1, B                  // next offset of B\r
+\r
+.L2_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 2), C          // c += 2 * ldc\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        movq    OFFSET, %rax\r
+        movq    %rax, KK\r
+#endif\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $16 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $3, I                   // i = (m >> 3)\r
+       je      .L2_4_10\r
+\r
+       ALIGN_4\r
+/**********************************************************************************************************/\r
+\r
+.L2_8_11:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4), BI                     //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $4, %rax                        // rax = rax *16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $8, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L2_8_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax *16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_8_12:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+\r
+       je      .L2_8_16\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x2_SUB\r
+\r
+       je      .L2_8_16\r
+\r
+       jmp     .L2_8_12\r
+       ALIGN_4\r
+\r
+.L2_8_16:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_8_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax *16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_8_17:\r
+\r
+       KERNEL8x2_SUB\r
+\r
+       jl      .L2_8_17\r
+       ALIGN_4\r
+\r
+\r
+.L2_8_19:\r
+\r
+       SAVE8x2\r
+\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $4, %rax                        // rax = rax *16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $8, KK\r
+#endif\r
+\r
+       addq    $16 * SIZE, CO1         # coffset += 16\r
+       decq    I                       # i --\r
+       jg      .L2_8_11\r
+       ALIGN_4 \r
+\r
+\r
+/**********************************************************************************************************/\r
+\r
+\r
+\r
+\r
+.L2_4_10:\r
+       testq   $7, M           \r
+       jz      .L2_4_60                // to next 2 lines of N\r
+\r
+       testq   $4, M           \r
+       jz      .L2_4_20\r
+       ALIGN_4\r
+\r
+\r
+.L2_4_11:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4), BI                     //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $4, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L2_4_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_4_12:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+\r
+       je      .L2_4_16\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x2_SUB\r
+       KERNEL4x2_SUB\r
+\r
+       je      .L2_4_16\r
+\r
+       jmp     .L2_4_12\r
+       ALIGN_4\r
+\r
+.L2_4_16:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_4_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_4_17:\r
+\r
+       KERNEL4x2_SUB\r
+\r
+       jl      .L2_4_17\r
+       ALIGN_4\r
+\r
+\r
+.L2_4_19:\r
+\r
+       SAVE4x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $4, KK\r
+#endif\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       ALIGN_4 \r
+\r
+\r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+\r
+.L2_4_20:\r
+\r
+       testq   $2, M           \r
+       jz      .L2_4_40\r
+       ALIGN_4\r
+\r
+.L2_4_21:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4), BI                     //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $2, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L2_4_26\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_4_22:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       je      .L2_4_26\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+       KERNEL2x2_SUB\r
+\r
+       je      .L2_4_26\r
+\r
+       jmp     .L2_4_22\r
+       ALIGN_4\r
+\r
+.L2_4_26:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_4_29\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_4_27:\r
+\r
+       KERNEL2x2_SUB\r
+\r
+       jl      .L2_4_27\r
+       ALIGN_4\r
+\r
+\r
+.L2_4_29:\r
+\r
+       vbroadcastss    ALPHA_R, %xmm0\r
+       vbroadcastss    ALPHA_I, %xmm1\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm11, %xmm11, %xmm11\r
+\r
+#if defined(NN) || defined(NT) || defined(TN) || defined(TT) || \\r
+    defined(NR) || defined(NC) || defined(TR) || defined(TC)\r
+\r
+        vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm11,%xmm10, %xmm10\r
+\r
+        vshufps $0xb1, %xmm8 , %xmm8, %xmm9\r
+        vshufps $0xb1, %xmm10, %xmm10, %xmm11\r
+\r
+#else\r
+        vaddsubps %xmm8,  %xmm9 ,%xmm9\r
+        vaddsubps %xmm10, %xmm11,%xmm11\r
+\r
+        vmovaps   %xmm9,  %xmm8\r
+        vmovaps   %xmm11, %xmm10\r
+\r
+       // swap high and low 64 bytes\r
+        vshufps $0xb1, %xmm9 , %xmm9, %xmm9\r
+        vshufps $0xb1, %xmm11, %xmm11, %xmm11\r
+\r
+#endif\r
+\r
+       // multiply with ALPHA_R\r
+        vmulps  %xmm8 , %xmm0, %xmm8\r
+        vmulps  %xmm10, %xmm0, %xmm10\r
+\r
+       // multiply with ALPHA_I\r
+        vmulps  %xmm9 , %xmm1, %xmm9\r
+        vmulps  %xmm11, %xmm1, %xmm11\r
+\r
+       vaddsubps %xmm9, %xmm8 , %xmm8\r
+        vaddsubps %xmm11,%xmm10, %xmm10\r
+\r
+\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vaddps          (CO1), %xmm8 , %xmm8\r
+\r
+       vaddps          (CO1, LDC), %xmm10, %xmm10\r
+\r
+#endif\r
+\r
+       vmovups %xmm8 ,         (CO1)\r
+\r
+       vmovups %xmm10 ,        (CO1, LDC)\r
+\r
+\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $2, KK\r
+#endif\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       decq    I                       # i --\r
+       jg      .L2_4_21\r
+       ALIGN_4 \r
+\r
+\r
+\r
+/**************************************************************************/\r
+.L2_4_40:\r
+       testq   $1, M           \r
+       jz      .L2_4_60                // to next 2 lines of N\r
+\r
+       ALIGN_4\r
+\r
+.L2_4_41:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $8 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,4), BI                     //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $1, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L2_4_46\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_4_42:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       je      .L2_4_46\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+       KERNEL1x2_SUB\r
+\r
+       je      .L2_4_46\r
+\r
+       jmp     .L2_4_42\r
+       ALIGN_4\r
+\r
+.L2_4_46:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_4_49\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_4_47:\r
+\r
+       KERNEL1x2_SUB\r
+\r
+       jl      .L2_4_47\r
+       ALIGN_4\r
+\r
+\r
+.L2_4_49:\r
+\r
+       SAVE1x2\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,4), BI                    //  BI = BI * 4 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $1, KK\r
+#endif\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       decq    I                       # i --\r
+       jg      .L2_4_41\r
+       ALIGN_4 \r
+\r
+\r
+\r
+       \r
+.L2_4_60:\r
+#if defined(TRMMKERNEL) && !defined(LEFT)\r
+        addq    $2, KK\r
+#endif\r
+\r
+       decq    J                       // j --\r
+       jg      .L2_01                  // next 2 lines of N\r
+\r
+\r
+\r
+.L1_0:\r
+\r
+/************************************************************************************************\r
+* Loop for Nmod6 % 2 > 0\r
+*************************************************************************************************/\r
+\r
+       movq    Nmod6, J                \r
+       andq    $1, J                   // j % 2\r
+       je      .L999\r
+       ALIGN_4\r
+\r
+.L1_01:\r
+       // copy to sub buffer\r
+       movq    B, BO1\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       movq    K, %rax\r
+       ALIGN_4\r
+\r
+.L1_02b:\r
+\r
+       vmovsd          (BO1), %xmm0\r
+       vmovsd  %xmm0,       (BO)\r
+       addq    $2*SIZE,BO1\r
+       addq    $2*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L1_02b\r
+\r
+.L1_02c:\r
+\r
+       movq    BO1, B                  // next offset of B\r
+\r
+.L1_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 1), C          // c += 1 * ldc\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        movq    OFFSET, %rax\r
+        movq    %rax, KK\r
+#endif\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $16 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $3, I                   // i = (m >> 3)\r
+       je      .L1_4_10\r
+\r
+       ALIGN_4\r
+\r
+/**************************************************************************************************/\r
+\r
+.L1_8_11:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,2), BI                     //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $4, %rax                        // rax = rax *16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $8, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L1_8_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax *16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_8_12:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+\r
+       je      .L1_8_16\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL8x1_SUB\r
+\r
+       je      .L1_8_16\r
+\r
+       jmp     .L1_8_12\r
+       ALIGN_4\r
+\r
+.L1_8_16:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_8_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax *16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_8_17:\r
+\r
+       KERNEL8x1_SUB\r
+\r
+       jl      .L1_8_17\r
+       ALIGN_4\r
+\r
+\r
+.L1_8_19:\r
+\r
+       SAVE8x1\r
+\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $4, %rax                        // rax = rax *16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $8, KK\r
+#endif\r
+\r
+       addq    $16 * SIZE, CO1         # coffset += 16\r
+       decq    I                       # i --\r
+       jg      .L1_8_11\r
+       ALIGN_4 \r
+\r
+\r
+\r
+/**************************************************************************************************/\r
+.L1_4_10:\r
+\r
+       testq   $7, M           \r
+       jz      .L999\r
+\r
+       testq   $4, M           \r
+       jz      .L1_4_20\r
+\r
+\r
+.L1_4_11:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,2), BI                     //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $4, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L1_4_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_4_12:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       je      .L1_4_16\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL4x1_SUB\r
+       KERNEL4x1_SUB\r
+\r
+       je      .L1_4_16\r
+\r
+       jmp     .L1_4_12\r
+       ALIGN_4\r
+\r
+.L1_4_16:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_4_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 4 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_4_17:\r
+\r
+       KERNEL4x1_SUB\r
+\r
+       jl      .L1_4_17\r
+       ALIGN_4\r
+\r
+\r
+.L1_4_19:\r
+\r
+       SAVE4x1\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $4, KK\r
+#endif\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       ALIGN_4 \r
+\r
+\r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+\r
+.L1_4_20:\r
+\r
+       testq   $2, M           \r
+       jz      .L1_4_40\r
+       ALIGN_4\r
+\r
+.L1_4_21:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,2), BI                     //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $2, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L1_4_26\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_4_22:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+       je      .L1_4_26\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+       KERNEL2x1_SUB\r
+\r
+       je      .L1_4_26\r
+\r
+       jmp     .L1_4_22\r
+       ALIGN_4\r
+\r
+.L1_4_26:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_4_29\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_4_27:\r
+\r
+       KERNEL2x1_SUB\r
+\r
+       jl      .L1_4_27\r
+       ALIGN_4\r
+\r
+\r
+.L1_4_29:\r
+\r
+       SAVE2x1\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $2, KK\r
+#endif\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       ALIGN_4 \r
+\r
+\r
+\r
+/**************************************************************************/\r
+.L1_4_40:\r
+       testq   $1, M           \r
+       jz      .L999           // to next 2 lines of N\r
+\r
+       ALIGN_4\r
+\r
+.L1_4_41:\r
+\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+       leaq    BUFFER1, BO                     // first buffer to BO\r
+       addq    $4 * SIZE, BO\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (,BI,2), BI                     //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $1, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L1_4_46\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_4_42:\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       je      .L1_4_46\r
+\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+       KERNEL1x1_SUB\r
+\r
+       je      .L1_4_46\r
+\r
+       jmp     .L1_4_42\r
+       ALIGN_4\r
+\r
+.L1_4_46:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_4_49\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_4_47:\r
+\r
+       KERNEL1x1_SUB\r
+\r
+       jl      .L1_4_47\r
+       ALIGN_4\r
+\r
+\r
+.L1_4_49:\r
+\r
+       SAVE1x1\r
+\r
+\r
+\r
+#if (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+    (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KKK, %rax\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    ( ,BI,2), BI                    //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+       salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $1, KK\r
+#endif\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       ALIGN_4 \r
+\r
+\r
+.L999:\r
+       movq            SP, %rsp\r
+       movq       (%rsp), %rbx\r
+       movq      8(%rsp), %rbp\r
+       movq     16(%rsp), %r12\r
+       movq     24(%rsp), %r13\r
+       movq     32(%rsp), %r14\r
+       movq     40(%rsp), %r15\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq     48(%rsp), %rdi\r
+       movq     56(%rsp), %rsi\r
+       movups   64(%rsp), %xmm6\r
+       movups   80(%rsp), %xmm7\r
+       movups   96(%rsp), %xmm8\r
+       movups  112(%rsp), %xmm9\r
+       movups  128(%rsp), %xmm10\r
+       movups  144(%rsp), %xmm11\r
+       movups  160(%rsp), %xmm12\r
+       movups  176(%rsp), %xmm13\r
+       movups  192(%rsp), %xmm14\r
+       movups  208(%rsp), %xmm15\r
+#endif\r
+\r
+       addq    $STACKSIZE, %rsp\r
+       ret\r
+\r
+       EPILOGUE\r