added sgemm_kernel for PILEDRIVER
authorwernsaar <wernsaar@googlemail.com>
Tue, 29 Oct 2013 21:53:04 +0000 (22:53 +0100)
committerwernsaar <wernsaar@googlemail.com>
Tue, 29 Oct 2013 21:53:04 +0000 (22:53 +0100)
kernel/x86_64/KERNEL.PILEDRIVER
kernel/x86_64/sgemm_kernel_16x2_piledriver.S [new file with mode: 0644]
param.h

index c2ed50b..2bc0ae7 100644 (file)
@@ -7,7 +7,7 @@ DAXPYKERNEL  = daxpy_bulldozer.S
 DDOTKERNEL   = ddot_bulldozer.S
 DCOPYKERNEL  = dcopy_bulldozer.S
 
-SGEMMKERNEL    =  sgemm_kernel_16x2_bulldozer.S
+SGEMMKERNEL    =  sgemm_kernel_16x2_piledriver.S
 SGEMMINCOPY    =  ../generic/gemm_ncopy_16.c
 SGEMMITCOPY    =  ../generic/gemm_tcopy_16.c
 SGEMMONCOPY    =  gemm_ncopy_2_bulldozer.S
diff --git a/kernel/x86_64/sgemm_kernel_16x2_piledriver.S b/kernel/x86_64/sgemm_kernel_16x2_piledriver.S
new file mode 100644 (file)
index 0000000..dcfed6b
--- /dev/null
@@ -0,0 +1,5258 @@
+/***************************************************************************\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
+* 2013/10/18 Saar\r
+*        BLASTEST               : OK\r
+*        CTEST                  : OK\r
+*        TEST                   : OK\r
+*\r
+*\r
+* 2013/10/29 Saar\r
+*\r
+* Parameter:\r
+*       UNROLL_M        16\r
+*       UNROLL_N        2\r
+*       SGEMM_P         768\r
+*       SGEMM_Q         192\r
+*       SGEMM_R         12288\r
+*       A_PR1           384\r
+*       B_PR1           192\r
+*\r
+* Performance at m x n on AMD 8320 (ACML-Version: 5.3.1):\r
+* \r
+* 6144x6144    168.2    GFLOPS with 8 threads on 4 modules (ACML: 158.0 ) (BULLDOZER: 167.4 )\r
+* 6144x6144    162.7    GFLOPS with 4 threads on 4 modules (ACML: 157.6 ) (BULLDOZER: 159.0 )\r
+* 6144x6144     82.0    GFLOPS with 2 threads on 2 modules (ACML:  81.4 ) (BULLDOZER:  80.3 )\r
+* 6144x6144     41.3    GFLOPS with 1 threads on 1 modules (ACML:  41.1 ) (BULLDOZER:  40.4 )\r
+*\r
+* Performance at m x n on AMD 6380  (ACML-Version: 5.3.1):\r
+* \r
+* 12288x12288  469.5    GFLOPS with 32 threads on 16 modules (ACML: 375.3 ) (BULLDOZER: 445.5 )\r
+* 12288x12288  442.9    GFLOPS with 16 threads on 16 modules (ACML: 378.5 ) (BULLDOZER: 416.3 )\r
+* 12288x12288  265.1    GFLOPS with  8 threads on  8 modules (ACML: 218.5 ) (BULLDOZER: 261.5 )\r
+* 6144x6144    139.7    GFLOPS with  4 threads on  4 modules (ACML: 116.0 ) (BULLDOZER: 137.7 )\r
+* 6144x6144     70.9    GFLOPS with  2 threads on  2 modules (ACML:  67.4 ) (BULLDOZER:  69.5 )\r
+* 6144x6144     35.6    GFLOPS with  1 threads on  1 modules (ACML:  36.1 ) (BULLDOZER:  35.1 )\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 256\r
+\r
+#define OLD_A          40 + STACKSIZE(%rsp)\r
+#define OLD_B          48 + STACKSIZE(%rsp)\r
+#define OLD_C          56 + STACKSIZE(%rsp)\r
+#define OLD_LDC                64 + STACKSIZE(%rsp)\r
+#define OLD_OFFSET     72 + STACKSIZE(%rsp)\r
+\r
+#endif\r
+\r
+#define L_BUFFER_SIZE 512*8*4\r
+#define LB2_OFFSET    512*8*2\r
+\r
+#define Ndiv6   24(%rsp)\r
+#define Nmod6   32(%rsp)\r
+#define N       40(%rsp)\r
+#define ALPHA   48(%rsp)\r
+#define OFFSET  56(%rsp)\r
+#define KK      64(%rsp)\r
+#define KKK     72(%rsp)\r
+#define BUFFER1                   128(%rsp)\r
+#define BUFFER2        LB2_OFFSET+128(%rsp)\r
+\r
+#if defined(OS_WINDOWS)\r
+#if   L_BUFFER_SIZE > 16384\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 4(%rsp);\\r
+        movl    $0,  4096 * 3(%rsp);\\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 12288\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 3(%rsp);\\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 8192\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 2(%rsp);\\r
+        movl    $0,  4096 * 1(%rsp);\r
+#elif L_BUFFER_SIZE > 4096\r
+#define STACK_TOUCH \\r
+        movl    $0,  4096 * 1(%rsp);\r
+#else\r
+#define STACK_TOUCH\r
+#endif\r
+#else\r
+#define STACK_TOUCH\r
+#endif\r
+\r
+\r
+\r
+#define        A_PR1   384\r
+#define        B_PR1   192\r
+\r
+/*******************************************************************************************\r
+* 3 lines of N\r
+*******************************************************************************************/\r
+\r
+#define KERNEL16x3_1(xx) \\r
+       vbroadcastss     -6 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss     -5 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       nop                                             ;\\r
+       vfmaddps        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)     ;\\r
+       vfmaddps        %xmm9,%xmm3,%xmm0,%xmm9 ;\\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm10,%xmm1,%xmm0,%xmm10 ;\\r
+       vfmaddps        %xmm11,%xmm2,%xmm0,%xmm11 ;\\r
+       vfmaddps        %xmm12,%xmm3,%xmm0,%xmm12 ;\\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm13,%xmm1,%xmm0,%xmm13 ;\\r
+       vfmaddps        %xmm14,%xmm2,%xmm0,%xmm14 ;\\r
+       vbroadcastss     -3 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vbroadcastss     -2 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm15,%xmm3,%xmm0,%xmm15 ;\\r
+\r
+#define KERNEL16x3_2(xx) \\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vbroadcastss     -1 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       nop                                             ;\\r
+       vfmaddps        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+       vmovups         -12 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+       prefetcht0      A_PR1+64(AO,%rax,SIZE)  ;\\r
+       vfmaddps        %xmm9,%xmm3,%xmm0,%xmm9 ;\\r
+       vmovups          -8 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm10,%xmm1,%xmm0,%xmm10 ;\\r
+       vfmaddps        %xmm11,%xmm2,%xmm0,%xmm11 ;\\r
+       vfmaddps        %xmm12,%xmm3,%xmm0,%xmm12 ;\\r
+       vmovups          -4 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm13,%xmm1,%xmm0,%xmm13 ;\\r
+       vfmaddps        %xmm14,%xmm2,%xmm0,%xmm14 ;\\r
+       vbroadcastss      0 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vbroadcastss      1 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm15,%xmm3,%xmm0,%xmm15 ;\\r
+\r
+#define KERNEL16x3_3(xx) \\r
+       vmovups           0 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vbroadcastss      2 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       nop                                             ;\\r
+       vfmaddps        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+       vmovups           4 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+       prefetcht0      A_PR1+128(AO,%rax,SIZE) ;\\r
+       vfmaddps        %xmm9,%xmm3,%xmm0,%xmm9 ;\\r
+       vmovups           8 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm10,%xmm1,%xmm0,%xmm10 ;\\r
+       vfmaddps        %xmm11,%xmm2,%xmm0,%xmm11 ;\\r
+       vfmaddps        %xmm12,%xmm3,%xmm0,%xmm12 ;\\r
+       vmovups          12 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm13,%xmm1,%xmm0,%xmm13 ;\\r
+       vfmaddps        %xmm14,%xmm2,%xmm0,%xmm14 ;\\r
+       vbroadcastss      3 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vbroadcastss      4 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm15,%xmm3,%xmm0,%xmm15 ;\\r
+\r
+#define KERNEL16x3_4(xx) \\r
+       vmovups          16 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vbroadcastss      5 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       nop                                             ;\\r
+       vfmaddps        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+       vmovups          20 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+       prefetcht0      A_PR1+192(AO,%rax,SIZE) ;\\r
+       vfmaddps        %xmm9,%xmm3,%xmm0,%xmm9 ;\\r
+       vmovups          24 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm10,%xmm1,%xmm0,%xmm10 ;\\r
+       vfmaddps        %xmm11,%xmm2,%xmm0,%xmm11 ;\\r
+       addq    $12, BI                           ;\\r
+       vfmaddps        %xmm12,%xmm3,%xmm0,%xmm12 ;\\r
+       vmovups          28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm13,%xmm1,%xmm0,%xmm13 ;\\r
+       vfmaddps        %xmm14,%xmm2,%xmm0,%xmm14 ;\\r
+       addq    $64, %rax                         ;\\r
+       vfmaddps        %xmm15,%xmm3,%xmm0,%xmm15 ;\\r
+\r
+#define KERNEL16x3_SUB(xx) \\r
+       vbroadcastss     -6 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss     -5 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       nop                                             ;\\r
+       vfmaddps        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+       vfmaddps        %xmm9,%xmm3,%xmm0,%xmm9 ;\\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm10,%xmm1,%xmm0,%xmm10 ;\\r
+       vfmaddps        %xmm11,%xmm2,%xmm0,%xmm11 ;\\r
+       vfmaddps        %xmm12,%xmm3,%xmm0,%xmm12 ;\\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm13,%xmm1,%xmm0,%xmm13 ;\\r
+       vfmaddps        %xmm14,%xmm2,%xmm0,%xmm14 ;\\r
+       vfmaddps        %xmm15,%xmm3,%xmm0,%xmm15 ;\\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+#define KERNEL8x3_1(xx) \\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)     ;\\r
+       vbroadcastss     -6 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss     -5 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       nop                                             ;\\r
+       vfmaddps        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+       vfmaddps        %xmm9,%xmm3,%xmm0,%xmm9 ;\\r
+\r
+#define KERNEL8x3_2(xx) \\r
+       vbroadcastss     -3 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss     -2 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vbroadcastss     -1 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       nop                                             ;\\r
+       vfmaddps        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+       vfmaddps        %xmm9,%xmm3,%xmm0,%xmm9 ;\\r
+\r
+#define KERNEL8x3_3(xx) \\r
+       prefetcht0      A_PR1+64(AO,%rax,SIZE)  ;\\r
+       vbroadcastss      0 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss      1 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vbroadcastss      2 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       nop                                             ;\\r
+       vfmaddps        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+       vmovups         -12 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+       vfmaddps        %xmm9,%xmm3,%xmm0,%xmm9 ;\\r
+\r
+#define KERNEL8x3_4(xx) \\r
+       vbroadcastss      3 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups          -8 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss      4 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vbroadcastss      5 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       nop                                             ;\\r
+       vfmaddps        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+       vmovups          -4 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+       vfmaddps        %xmm9,%xmm3,%xmm0,%xmm9 ;\\r
+       addq    $12, BI                           ;\\r
+       addq    $32, %rax                         ;\\r
+\r
+#define KERNEL8x3_SUB(xx) \\r
+       vbroadcastss     -6 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss     -5 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       nop                                             ;\\r
+       vfmaddps        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+       vfmaddps        %xmm9,%xmm3,%xmm0,%xmm9 ;\\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+#define KERNEL4x3_1(xx) \\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)     ;\\r
+       vbroadcastss     -6 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss     -5 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       vfmaddps        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+\r
+#define KERNEL4x3_2(xx) \\r
+       vbroadcastss     -3 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss     -2 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vbroadcastss     -1 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       vfmaddps        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+\r
+#define KERNEL4x3_3(xx) \\r
+       vbroadcastss      0 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss      1 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vbroadcastss      2 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       vfmaddps        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+\r
+#define KERNEL4x3_4(xx) \\r
+       vbroadcastss      3 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss      4 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vbroadcastss      5 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       vfmaddps        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+       addq    $12, BI                           ;\\r
+       addq    $16, %rax                         ;\\r
+\r
+#define KERNEL4x3_SUB(xx) \\r
+       vbroadcastss     -6 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss     -5 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       vfmaddps        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+\r
+/*******************************************************************************************/\r
+\r
+#define KERNEL2x3_1(xx) \\r
+       vmovss   -6 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss   -5 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovss   -4 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       vfmaddss        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+       vmovss  -31 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm8,%xmm1,%xmm0,%xmm8 ;\\r
+       vfmaddss        %xmm10,%xmm2,%xmm0,%xmm10 ;\\r
+       vfmaddss        %xmm12,%xmm3,%xmm0,%xmm12 ;\\r
+\r
+#define KERNEL2x3_2(xx) \\r
+       vmovss   -3 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -30 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss   -2 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovss   -1 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       vfmaddss        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+       vmovss  -29 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm8,%xmm1,%xmm0,%xmm8 ;\\r
+       vfmaddss        %xmm10,%xmm2,%xmm0,%xmm10 ;\\r
+       vfmaddss        %xmm12,%xmm3,%xmm0,%xmm12 ;\\r
+\r
+#define KERNEL2x3_3(xx) \\r
+       vmovss    0 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss    1 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovss    2 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       vfmaddss        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+       vmovss  -27 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm8,%xmm1,%xmm0,%xmm8 ;\\r
+       vfmaddss        %xmm10,%xmm2,%xmm0,%xmm10 ;\\r
+       vfmaddss        %xmm12,%xmm3,%xmm0,%xmm12 ;\\r
+\r
+#define KERNEL2x3_4(xx) \\r
+       vmovss    3 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -26 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss    4 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovss    5 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       vfmaddss        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+       vmovss  -25 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm8,%xmm1,%xmm0,%xmm8 ;\\r
+       vfmaddss        %xmm10,%xmm2,%xmm0,%xmm10 ;\\r
+       vfmaddss        %xmm12,%xmm3,%xmm0,%xmm12 ;\\r
+       addq    $12, BI                           ;\\r
+       addq    $8, %rax                          ;\\r
+\r
+#define KERNEL2x3_SUB(xx) \\r
+       vmovss   -6 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss   -5 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovss   -4 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       vfmaddss        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+       vmovss  -31 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm8,%xmm1,%xmm0,%xmm8 ;\\r
+       vfmaddss        %xmm10,%xmm2,%xmm0,%xmm10 ;\\r
+       vfmaddss        %xmm12,%xmm3,%xmm0,%xmm12 ;\\r
+\r
+/*******************************************************************************************/\r
+\r
+#define KERNEL1x3_1(xx) \\r
+       vmovss   -6 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss   -5 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovss   -4 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       vfmaddss        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+\r
+#define KERNEL1x3_2(xx) \\r
+       vmovss   -3 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -31 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss   -2 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovss   -1 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       vfmaddss        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+\r
+#define KERNEL1x3_3(xx) \\r
+       vmovss    0 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -30 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss    1 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovss    2 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       vfmaddss        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+\r
+#define KERNEL1x3_4(xx) \\r
+       vmovss    3 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -29 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss    4 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovss    5 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       vfmaddss        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+       addq    $12, BI                           ;\\r
+       addq    $4, %rax                          ;\\r
+\r
+#define KERNEL1x3_SUB(xx) \\r
+       vmovss   -6 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss   -5 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovss   -4 * SIZE(BO, BI, SIZE), %xmm3 ;\\r
+       vfmaddss        %xmm6,%xmm3,%xmm0,%xmm6 ;\\r
+\r
+/*******************************************************************************************/\r
+\r
+/*******************************************************************************************\r
+* 2 lines of N\r
+*******************************************************************************************/\r
+\r
+#define KERNEL16x2_1(xx) \\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)     ;\\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss     -3 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm10,%xmm1,%xmm0,%xmm10 ;\\r
+       vfmaddps        %xmm11,%xmm2,%xmm0,%xmm11 ;\\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm13,%xmm1,%xmm0,%xmm13 ;\\r
+       vfmaddps        %xmm14,%xmm2,%xmm0,%xmm14 ;\\r
+\r
+#define KERNEL16x2_2(xx) \\r
+       prefetcht0      A_PR1+64(AO,%rax,SIZE)  ;\\r
+       vbroadcastss     -2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss     -1 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovups         -12 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+       vmovups          -8 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm10,%xmm1,%xmm0,%xmm10 ;\\r
+       vfmaddps        %xmm11,%xmm2,%xmm0,%xmm11 ;\\r
+       vmovups          -4 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm13,%xmm1,%xmm0,%xmm13 ;\\r
+       vfmaddps        %xmm14,%xmm2,%xmm0,%xmm14 ;\\r
+\r
+#define KERNEL16x2_3(xx) \\r
+       prefetcht0      A_PR1+128(AO,%rax,SIZE) ;\\r
+       vbroadcastss      0 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups           0 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss      1 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovups           4 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+       vmovups           8 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm10,%xmm1,%xmm0,%xmm10 ;\\r
+       vfmaddps        %xmm11,%xmm2,%xmm0,%xmm11 ;\\r
+       vmovups          12 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm13,%xmm1,%xmm0,%xmm13 ;\\r
+       vfmaddps        %xmm14,%xmm2,%xmm0,%xmm14 ;\\r
+\r
+#define KERNEL16x2_4(xx) \\r
+       prefetcht0      A_PR1+192(AO,%rax,SIZE) ;\\r
+       vbroadcastss      2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups          16 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss      3 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovups          20 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+       vmovups          24 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm10,%xmm1,%xmm0,%xmm10 ;\\r
+       vfmaddps        %xmm11,%xmm2,%xmm0,%xmm11 ;\\r
+       vmovups          28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm13,%xmm1,%xmm0,%xmm13 ;\\r
+       vfmaddps        %xmm14,%xmm2,%xmm0,%xmm14 ;\\r
+       addq    $8, BI                            ;\\r
+       addq    $64, %rax                         ;\\r
+\r
+#define KERNEL16x2_SUB(xx) \\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss     -3 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm10,%xmm1,%xmm0,%xmm10 ;\\r
+       vfmaddps        %xmm11,%xmm2,%xmm0,%xmm11 ;\\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm13,%xmm1,%xmm0,%xmm13 ;\\r
+       vfmaddps        %xmm14,%xmm2,%xmm0,%xmm14 ;\\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+#define KERNEL8x2_1(xx) \\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)     ;\\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss     -3 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+\r
+#define KERNEL8x2_2(xx) \\r
+       vbroadcastss     -2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss     -1 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+\r
+#define KERNEL8x2_3(xx) \\r
+       prefetcht0      A_PR1+64(AO,%rax,SIZE)  ;\\r
+       vbroadcastss      0 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss      1 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovups         -12 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+\r
+#define KERNEL8x2_4(xx) \\r
+       vbroadcastss      2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups          -8 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss      3 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovups          -4 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+       addq    $8, BI                            ;\\r
+       addq    $32, %rax                         ;\\r
+\r
+#define KERNEL8x2_SUB(xx) \\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss     -3 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vfmaddps        %xmm8,%xmm2,%xmm0,%xmm8 ;\\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+#define KERNEL4x2_1(xx) \\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)     ;\\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss     -3 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+\r
+#define KERNEL4x2_2(xx) \\r
+       vbroadcastss     -2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss     -1 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+\r
+#define KERNEL4x2_3(xx) \\r
+       vbroadcastss      0 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss      1 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+\r
+#define KERNEL4x2_4(xx) \\r
+       vbroadcastss      2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss      3 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       addq    $8, BI                            ;\\r
+       addq    $16, %rax                         ;\\r
+\r
+#define KERNEL4x2_SUB(xx) \\r
+       vbroadcastss     -4 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vbroadcastss     -3 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddps        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+\r
+/*******************************************************************************************/\r
+\r
+#define KERNEL2x2_1(xx) \\r
+       vmovss   -4 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss   -3 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovss  -31 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm8,%xmm1,%xmm0,%xmm8 ;\\r
+       vfmaddss        %xmm10,%xmm2,%xmm0,%xmm10 ;\\r
+\r
+#define KERNEL2x2_2(xx) \\r
+       vmovss   -2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -30 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss   -1 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovss  -29 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm8,%xmm1,%xmm0,%xmm8 ;\\r
+       vfmaddss        %xmm10,%xmm2,%xmm0,%xmm10 ;\\r
+\r
+#define KERNEL2x2_3(xx) \\r
+       vmovss    0 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss    1 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovss  -27 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm8,%xmm1,%xmm0,%xmm8 ;\\r
+       vfmaddss        %xmm10,%xmm2,%xmm0,%xmm10 ;\\r
+\r
+#define KERNEL2x2_4(xx) \\r
+       vmovss    2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -26 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss    3 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovss  -25 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm8,%xmm1,%xmm0,%xmm8 ;\\r
+       vfmaddss        %xmm10,%xmm2,%xmm0,%xmm10 ;\\r
+       addq    $8, BI                            ;\\r
+       addq    $8, %rax                          ;\\r
+\r
+#define KERNEL2x2_SUB(xx) \\r
+       vmovss   -4 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss   -3 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       vmovss  -31 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm8,%xmm1,%xmm0,%xmm8 ;\\r
+       vfmaddss        %xmm10,%xmm2,%xmm0,%xmm10 ;\\r
+\r
+/*******************************************************************************************/\r
+\r
+#define KERNEL1x2_1(xx) \\r
+       vmovss   -4 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss   -3 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+\r
+#define KERNEL1x2_2(xx) \\r
+       vmovss   -2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -31 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss   -1 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+\r
+#define KERNEL1x2_3(xx) \\r
+       vmovss    0 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -30 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss    1 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+\r
+#define KERNEL1x2_4(xx) \\r
+       vmovss    2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -29 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss    3 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+       addq    $8, BI                            ;\\r
+       addq    $4, %rax                          ;\\r
+\r
+#define KERNEL1x2_SUB(xx) \\r
+       vmovss   -4 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss   -3 * SIZE(BO, BI, SIZE), %xmm2 ;\\r
+       vfmaddss        %xmm5,%xmm2,%xmm0,%xmm5 ;\\r
+\r
+/*******************************************************************************************/\r
+\r
+/*******************************************************************************************\r
+* 1 line of N\r
+*******************************************************************************************/\r
+\r
+#define KERNEL16x1_1(xx) \\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)     ;\\r
+       vbroadcastss     -2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm10,%xmm1,%xmm0,%xmm10 ;\\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm13,%xmm1,%xmm0,%xmm13 ;\\r
+\r
+#define KERNEL16x1_2(xx) \\r
+       prefetcht0      A_PR1+64(AO,%rax,SIZE)  ;\\r
+       vbroadcastss     -1 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovups         -12 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vmovups          -8 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm10,%xmm1,%xmm0,%xmm10 ;\\r
+       vmovups          -4 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm13,%xmm1,%xmm0,%xmm13 ;\\r
+\r
+#define KERNEL16x1_3(xx) \\r
+       prefetcht0      A_PR1+128(AO,%rax,SIZE) ;\\r
+       vbroadcastss      0 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups           0 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovups           4 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vmovups           8 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm10,%xmm1,%xmm0,%xmm10 ;\\r
+       vmovups          12 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm13,%xmm1,%xmm0,%xmm13 ;\\r
+\r
+#define KERNEL16x1_4(xx) \\r
+       prefetcht0      A_PR1+192(AO,%rax,SIZE) ;\\r
+       vbroadcastss      1 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups          16 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovups          20 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vmovups          24 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm10,%xmm1,%xmm0,%xmm10 ;\\r
+       vmovups          28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm13,%xmm1,%xmm0,%xmm13 ;\\r
+       addq    $4, BI                            ;\\r
+       addq    $64, %rax                         ;\\r
+\r
+#define KERNEL16x1_SUB(xx) \\r
+       vbroadcastss     -2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm10,%xmm1,%xmm0,%xmm10 ;\\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm13,%xmm1,%xmm0,%xmm13 ;\\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+#define KERNEL8x1_1(xx) \\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)     ;\\r
+       vbroadcastss     -2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+\r
+#define KERNEL8x1_2(xx) \\r
+       vbroadcastss     -1 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+\r
+#define KERNEL8x1_3(xx) \\r
+       prefetcht0      A_PR1+64(AO,%rax,SIZE)  ;\\r
+       vbroadcastss      0 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -16 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovups         -12 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+\r
+#define KERNEL8x1_4(xx) \\r
+       vbroadcastss      1 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups          -8 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovups          -4 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+       addq    $4, BI                            ;\\r
+       addq    $32, %rax                         ;\\r
+\r
+#define KERNEL8x1_SUB(xx) \\r
+       vbroadcastss     -2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm7,%xmm1,%xmm0,%xmm7 ;\\r
+\r
+\r
+/*******************************************************************************************/\r
+\r
+#define KERNEL4x1_1(xx) \\r
+       prefetcht0      A_PR1(AO,%rax,SIZE)     ;\\r
+       vbroadcastss     -2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+\r
+#define KERNEL4x1_2(xx) \\r
+       vbroadcastss     -1 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+\r
+#define KERNEL4x1_3(xx) \\r
+       vbroadcastss      0 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -24 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+\r
+#define KERNEL4x1_4(xx) \\r
+       vbroadcastss      1 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -20 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       addq    $4, BI                            ;\\r
+       addq    $16, %rax                         ;\\r
+\r
+#define KERNEL4x1_SUB(xx) \\r
+       vbroadcastss     -2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovups         -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddps        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+\r
+/*******************************************************************************************/\r
+\r
+#define KERNEL2x1_1(xx) \\r
+       vmovss   -2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss  -31 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm8,%xmm1,%xmm0,%xmm8 ;\\r
+\r
+#define KERNEL2x1_2(xx) \\r
+       vmovss   -1 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -30 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss  -29 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm8,%xmm1,%xmm0,%xmm8 ;\\r
+\r
+#define KERNEL2x1_3(xx) \\r
+       vmovss    0 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -28 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss  -27 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm8,%xmm1,%xmm0,%xmm8 ;\\r
+\r
+#define KERNEL2x1_4(xx) \\r
+       vmovss    1 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -26 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss  -25 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm8,%xmm1,%xmm0,%xmm8 ;\\r
+       addq    $4, BI                            ;\\r
+       addq    $8, %rax                          ;\\r
+\r
+#define KERNEL2x1_SUB(xx) \\r
+       vmovss   -2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       vmovss  -31 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm8,%xmm1,%xmm0,%xmm8 ;\\r
+\r
+/*******************************************************************************************/\r
+\r
+#define KERNEL1x1_1(xx) \\r
+       vmovss   -2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+\r
+#define KERNEL1x1_2(xx) \\r
+       vmovss   -1 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -31 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+\r
+#define KERNEL1x1_3(xx) \\r
+       vmovss    0 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -30 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+\r
+#define KERNEL1x1_4(xx) \\r
+       vmovss    1 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -29 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+       addq    $4, BI                            ;\\r
+       addq    $4, %rax                          ;\\r
+\r
+#define KERNEL1x1_SUB(xx) \\r
+       vmovss   -2 * SIZE(BO, BI, SIZE), %xmm1 ;\\r
+       vmovss  -32 * SIZE(AO, %rax, SIZE), %xmm0 ;\\r
+       vfmaddss        %xmm4,%xmm1,%xmm0,%xmm4 ;\\r
+\r
+/*******************************************************************************************/\r
+\r
+#if !defined(TRMMKERNEL)\r
+\r
+\r
+       PROLOGUE\r
+       PROFCODE\r
+       \r
+       subq    $STACKSIZE, %rsp\r
+       movq    %rbx,   (%rsp)\r
+       movq    %rbp,  8(%rsp)\r
+       movq    %r12, 16(%rsp)\r
+       movq    %r13, 24(%rsp)\r
+       movq    %r14, 32(%rsp)\r
+       movq    %r15, 40(%rsp)\r
+\r
+       vzeroupper\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq    %rdi,    48(%rsp)\r
+       movq    %rsi,    56(%rsp)\r
+       movups  %xmm6,   64(%rsp)\r
+       movups  %xmm7,   80(%rsp)\r
+       movups  %xmm8,   96(%rsp)\r
+       movups  %xmm9,  112(%rsp)\r
+       movups  %xmm10, 128(%rsp)\r
+       movups  %xmm11, 144(%rsp)\r
+       movups  %xmm12, 160(%rsp)\r
+       movups  %xmm13, 176(%rsp)\r
+       movups  %xmm14, 192(%rsp)\r
+       movups  %xmm15, 208(%rsp)\r
+\r
+       movq    ARG1,      OLD_M\r
+       movq    ARG2,      OLD_N\r
+       movq    ARG3,      OLD_K\r
+       movq    OLD_A,     A\r
+       movq    OLD_B,     B\r
+       movq    OLD_C,     C\r
+       movq    OLD_LDC,   LDC\r
+\r
+       vmovaps %xmm3, %xmm0\r
+\r
+#else\r
+       movq    STACKSIZE +  8(%rsp), LDC\r
+\r
+#endif\r
+\r
+       movq    %rsp, SP      # save old stack\r
+        subq    $128 + L_BUFFER_SIZE, %rsp\r
+        andq    $-4096, %rsp    # align stack\r
+\r
+        STACK_TOUCH\r
+\r
+       cmpq    $0, OLD_M\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_N\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_K\r
+       je      .L999\r
+\r
+       movq    OLD_M, M\r
+       movq    OLD_N, N\r
+       movq    OLD_K, K\r
+\r
+       vmovsd   %xmm0, ALPHA\r
+\r
+       salq    $BASE_SHIFT, LDC\r
+\r
+       movq    N, %rax\r
+        xorq    %rdx, %rdx\r
+        movq    $6,  %rdi\r
+        divq    %rdi                    //    N / 6\r
+        movq    %rax, Ndiv6             //    N / 6\r
+        movq    %rdx, Nmod6             //    N % 6\r
+\r
+\r
+       movq    Ndiv6,  J\r
+       cmpq    $0, J\r
+       je      .L2_0\r
+       ALIGN_4\r
+\r
+.L6_01:\r
+        // copy to sub buffer\r
+        movq    K, %rax\r
+        salq    $1,%rax                 // K * 2 ; read 2 values\r
+        movq    B, BO1\r
+        leaq    (B,%rax, SIZE), BO2     // next offset to BO2\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        movq    K, %rax\r
+       sarq    $3 , %rax               // K / 8\r
+       jz      .L6_01a_2\r
+        ALIGN_4\r
+\r
+.L6_01a_1:\r
+\r
+        prefetcht0 512(BO1)\r
+        prefetcht0 512(BO2)\r
+        prefetchw  512(BO)\r
+\r
+       vmovsd  0 * SIZE(BO1), %xmm0\r
+       vmovsd  2 * SIZE(BO1), %xmm2\r
+       vmovsd  4 * SIZE(BO1), %xmm4\r
+       vmovsd  6 * SIZE(BO1), %xmm6\r
+       vmovss  0 * SIZE(BO2), %xmm1\r
+       vmovss  2 * SIZE(BO2), %xmm3\r
+       vmovss  4 * SIZE(BO2), %xmm5\r
+       vmovss  6 * SIZE(BO2), %xmm7\r
+       vmovsd  %xmm0, 0*SIZE(BO)\r
+       vmovss  %xmm1, 2*SIZE(BO)\r
+       vmovsd  %xmm2, 3*SIZE(BO)\r
+       vmovss  %xmm3, 5*SIZE(BO)\r
+       vmovsd  %xmm4, 6*SIZE(BO)\r
+       vmovss  %xmm5, 8*SIZE(BO)\r
+       vmovsd  %xmm6, 9*SIZE(BO)\r
+       vmovss  %xmm7,11*SIZE(BO)\r
+       addq    $8*SIZE,BO1\r
+       addq    $8*SIZE,BO2\r
+       addq    $12*SIZE,BO\r
+\r
+       vmovsd  0 * SIZE(BO1), %xmm0\r
+       vmovsd  2 * SIZE(BO1), %xmm2\r
+       vmovsd  4 * SIZE(BO1), %xmm4\r
+       vmovsd  6 * SIZE(BO1), %xmm6\r
+       vmovss  0 * SIZE(BO2), %xmm1\r
+       vmovss  2 * SIZE(BO2), %xmm3\r
+       vmovss  4 * SIZE(BO2), %xmm5\r
+       vmovss  6 * SIZE(BO2), %xmm7\r
+       vmovsd  %xmm0, 0*SIZE(BO)\r
+       vmovss  %xmm1, 2*SIZE(BO)\r
+       vmovsd  %xmm2, 3*SIZE(BO)\r
+       vmovss  %xmm3, 5*SIZE(BO)\r
+       vmovsd  %xmm4, 6*SIZE(BO)\r
+       vmovss  %xmm5, 8*SIZE(BO)\r
+       vmovsd  %xmm6, 9*SIZE(BO)\r
+       vmovss  %xmm7,11*SIZE(BO)\r
+       addq    $8*SIZE,BO1\r
+       addq    $8*SIZE,BO2\r
+       addq    $12*SIZE,BO\r
+\r
+       decq    %rax\r
+       jnz     .L6_01a_1\r
+\r
+\r
+\r
+.L6_01a_2:\r
+\r
+       movq    K, %rax\r
+        andq    $7, %rax                // K % 8\r
+        jz      .L6_02c\r
+        ALIGN_4\r
+\r
+\r
+.L6_02b:\r
+\r
+       vmovsd  0 * SIZE(BO1), %xmm0\r
+       vmovss  0 * SIZE(BO2), %xmm2\r
+       vmovsd  %xmm0, 0*SIZE(BO)\r
+       vmovss  %xmm2, 2*SIZE(BO)\r
+       addq    $2*SIZE,BO1\r
+       addq    $2*SIZE,BO2\r
+       addq    $3*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L6_02b\r
+\r
+.L6_02c:\r
+\r
+       movq    K, %rax\r
+       salq    $1,%rax                 // K * 2\r
+       leaq    (B,%rax, SIZE), BO1     // next offset to BO1\r
+       leaq    (BO1,%rax, SIZE), BO2   // next offset to BO2\r
+       leaq    BUFFER2, BO             // second buffer to BO\r
+       movq    K, %rax\r
+       sarq    $3 , %rax               // K / 8\r
+       jz      .L6_02c_2\r
+       ALIGN_4\r
+\r
+.L6_02c_1:\r
+\r
+       prefetcht0 512(BO2)\r
+        prefetchw  512(BO)\r
+\r
+       vmovsd  0 * SIZE(BO2), %xmm0\r
+       vmovsd  2 * SIZE(BO2), %xmm2\r
+       vmovsd  4 * SIZE(BO2), %xmm4\r
+       vmovsd  6 * SIZE(BO2), %xmm6\r
+       vmovss  1 * SIZE(BO1), %xmm1\r
+       vmovss  3 * SIZE(BO1), %xmm3\r
+       vmovss  5 * SIZE(BO1), %xmm5\r
+       vmovss  7 * SIZE(BO1), %xmm7\r
+       vmovss  %xmm1, 0*SIZE(BO)\r
+       vmovsd  %xmm0, 1*SIZE(BO)\r
+       vmovss  %xmm3, 3*SIZE(BO)\r
+       vmovsd  %xmm2, 4*SIZE(BO)\r
+       vmovss  %xmm5, 6*SIZE(BO)\r
+       vmovsd  %xmm4, 7*SIZE(BO)\r
+       vmovss  %xmm7, 9*SIZE(BO)\r
+       vmovsd  %xmm6,10*SIZE(BO)\r
+       addq    $8*SIZE,BO1\r
+       addq    $8*SIZE,BO2\r
+       addq    $12*SIZE,BO\r
+\r
+\r
+       vmovsd  0 * SIZE(BO2), %xmm0\r
+       vmovsd  2 * SIZE(BO2), %xmm2\r
+       vmovsd  4 * SIZE(BO2), %xmm4\r
+       vmovsd  6 * SIZE(BO2), %xmm6\r
+       vmovss  1 * SIZE(BO1), %xmm1\r
+       vmovss  3 * SIZE(BO1), %xmm3\r
+       vmovss  5 * SIZE(BO1), %xmm5\r
+       vmovss  7 * SIZE(BO1), %xmm7\r
+       vmovss  %xmm1, 0*SIZE(BO)\r
+       vmovsd  %xmm0, 1*SIZE(BO)\r
+       vmovss  %xmm3, 3*SIZE(BO)\r
+       vmovsd  %xmm2, 4*SIZE(BO)\r
+       vmovss  %xmm5, 6*SIZE(BO)\r
+       vmovsd  %xmm4, 7*SIZE(BO)\r
+       vmovss  %xmm7, 9*SIZE(BO)\r
+       vmovsd  %xmm6,10*SIZE(BO)\r
+       addq    $8*SIZE,BO1\r
+       addq    $8*SIZE,BO2\r
+       addq    $12*SIZE,BO\r
+\r
+       decq    %rax\r
+       jnz     .L6_02c_1\r
+\r
+\r
+.L6_02c_2:\r
+\r
+       movq    K, %rax\r
+        andq    $7, %rax                // K % 8\r
+        jz      .L6_03c\r
+        ALIGN_4\r
+\r
+.L6_03b:\r
+\r
+       vmovss    1*SIZE(BO1), %xmm0\r
+       vmovsd    0*SIZE(BO2), %xmm1\r
+       vmovss  %xmm0, 0*SIZE(BO)\r
+       vmovsd  %xmm1, 1*SIZE(BO)\r
+       addq    $2*SIZE,BO1\r
+       addq    $2*SIZE,BO2\r
+       addq    $3*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L6_03b\r
+\r
+\r
+.L6_03c:\r
+\r
+       movq    BO2, B                  // next offset of B\r
+\r
+.L6_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 2), C           \r
+       leaq    (C, LDC, 1), C          // c += 3 * ldc\r
+\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $32 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $4, I                   // i = (m >> 4)\r
+       je      .L6_20\r
+\r
+       ALIGN_4\r
+\r
+.L6_11:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $6 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L6_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; 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
+.L6_12:\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL16x3_1(xxx)\r
+       KERNEL16x3_2(xxx)\r
+       KERNEL16x3_3(xxx)\r
+       KERNEL16x3_4(xxx)\r
+\r
+       KERNEL16x3_1(xxx)\r
+       prefetcht0      B_PR1+16(BO,BI, SIZE)\r
+       KERNEL16x3_2(xxx)\r
+       KERNEL16x3_3(xxx)\r
+       KERNEL16x3_4(xxx)\r
+\r
+       je      .L6_16\r
+\r
+       KERNEL16x3_1(xxx)\r
+       KERNEL16x3_2(xxx)\r
+       prefetcht0      B_PR1+32(BO,BI, SIZE)\r
+       KERNEL16x3_3(xxx)\r
+       KERNEL16x3_4(xxx)\r
+\r
+       KERNEL16x3_1(xxx)\r
+       KERNEL16x3_2(xxx)\r
+       KERNEL16x3_3(xxx)\r
+       KERNEL16x3_4(xxx)\r
+\r
+       je      .L6_16\r
+\r
+       jmp     .L6_12\r
+       ALIGN_4\r
+\r
+.L6_16:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L6_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; 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
+.L6_17:\r
+\r
+       KERNEL16x3_SUB(xxx)\r
+       addq    $3, BI\r
+       addq    $16, %rax\r
+       jl      .L6_17\r
+       ALIGN_4\r
+\r
+\r
+.L6_19:\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+       vfmaddps         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddps 4 * SIZE(CO1),%xmm0, %xmm7,%xmm7\r
+       vfmaddps 8 * SIZE(CO1),%xmm0, %xmm10,%xmm10\r
+       vfmaddps 12 * SIZE(CO1),%xmm0, %xmm13,%xmm13\r
+\r
+       vfmaddps         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+       vfmaddps 4 * SIZE(CO1, LDC),%xmm0, %xmm8,%xmm8\r
+       vfmaddps 8 * SIZE(CO1, LDC),%xmm0, %xmm11,%xmm11\r
+       vfmaddps 12 * SIZE(CO1, LDC),%xmm0, %xmm14,%xmm14\r
+\r
+       vfmaddps         (CO1, LDC, 2),%xmm0, %xmm6,%xmm6\r
+       vfmaddps 4 * SIZE(CO1, LDC, 2),%xmm0, %xmm9,%xmm9\r
+       vfmaddps 8 * SIZE(CO1, LDC, 2),%xmm0, %xmm12,%xmm12\r
+       vfmaddps 12 * SIZE(CO1, LDC, 2),%xmm0, %xmm15,%xmm15\r
+\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm7 , 4 * SIZE(CO1)\r
+       vmovups %xmm10, 8 * SIZE(CO1)\r
+       vmovups %xmm13,12 * SIZE(CO1)\r
+\r
+       vmovups %xmm5 ,         (CO1, LDC)\r
+       vmovups %xmm8 , 4 * SIZE(CO1, LDC)\r
+       vmovups %xmm11, 8 * SIZE(CO1, LDC)\r
+       vmovups %xmm14,12 * SIZE(CO1, LDC)\r
+\r
+       vmovups %xmm6 ,         (CO1, LDC, 2)\r
+       vmovups %xmm9 , 4 * SIZE(CO1, LDC, 2)\r
+       vmovups %xmm12, 8 * SIZE(CO1, LDC, 2)\r
+       vmovups %xmm15,12 * SIZE(CO1, LDC, 2)\r
+\r
+\r
+       addq    $16 * SIZE, CO1         # coffset += 16\r
+       decq    I                       # i --\r
+       jg      .L6_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L6_20:\r
+       // Test rest of M\r
+\r
+       testq   $15, M\r
+       jz      .L7_10          // to next 3 lines of N\r
+\r
+       testq   $8, M           \r
+       jz      .L6_21pre\r
+       ALIGN_4\r
+\r
+/**************************************************************************/\r
+\r
+.L6_20_1:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $6 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L6_20_6\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; 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
+.L6_20_2:\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL8x3_1(xxx)\r
+       KERNEL8x3_2(xxx)\r
+       KERNEL8x3_3(xxx)\r
+       KERNEL8x3_4(xxx)\r
+\r
+       KERNEL8x3_1(xxx)\r
+       prefetcht0      B_PR1+16(BO,BI, SIZE)\r
+       KERNEL8x3_2(xxx)\r
+       KERNEL8x3_3(xxx)\r
+       KERNEL8x3_4(xxx)\r
+\r
+       je      .L6_20_6\r
+\r
+       KERNEL8x3_1(xxx)\r
+       KERNEL8x3_2(xxx)\r
+       prefetcht0      B_PR1+32(BO,BI, SIZE)\r
+       KERNEL8x3_3(xxx)\r
+       KERNEL8x3_4(xxx)\r
+\r
+       KERNEL8x3_1(xxx)\r
+       KERNEL8x3_2(xxx)\r
+       KERNEL8x3_3(xxx)\r
+       KERNEL8x3_4(xxx)\r
+\r
+       je      .L6_20_6\r
+\r
+       jmp     .L6_20_2\r
+       ALIGN_4\r
+\r
+.L6_20_6:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L6_20_9\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; 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
+.L6_20_7:\r
+\r
+       KERNEL8x3_SUB(xxx)\r
+       addq    $3, BI\r
+       addq    $8, %rax\r
+       jl      .L6_20_7\r
+       ALIGN_4\r
+\r
+\r
+.L6_20_9:\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+       vfmaddps         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddps 4 * SIZE(CO1),%xmm0, %xmm7,%xmm7\r
+\r
+       vfmaddps         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+       vfmaddps 4 * SIZE(CO1, LDC),%xmm0, %xmm8,%xmm8\r
+\r
+       vfmaddps         (CO1, LDC, 2),%xmm0, %xmm6,%xmm6\r
+       vfmaddps 4 * SIZE(CO1, LDC, 2),%xmm0, %xmm9,%xmm9\r
+\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm7 , 4 * SIZE(CO1)\r
+\r
+       vmovups %xmm5 ,         (CO1, LDC)\r
+       vmovups %xmm8 , 4 * SIZE(CO1, LDC)\r
+\r
+       vmovups %xmm6 ,         (CO1, LDC, 2)\r
+       vmovups %xmm9 , 4 * SIZE(CO1, LDC, 2)\r
+\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       ALIGN_4\r
+       \r
+\r
+\r
+/**************************************************************************/\r
+\r
+.L6_21pre:\r
+\r
+       testq   $4, M           \r
+       jz      .L6_30\r
+       ALIGN_4\r
+\r
+.L6_21:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $6 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L6_26\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; 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
+.L6_22:\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL4x3_1(xxx)\r
+       KERNEL4x3_2(xxx)\r
+       KERNEL4x3_3(xxx)\r
+       KERNEL4x3_4(xxx)\r
+\r
+       KERNEL4x3_1(xxx)\r
+       prefetcht0      B_PR1+16(BO,BI, SIZE)\r
+       KERNEL4x3_2(xxx)\r
+       KERNEL4x3_3(xxx)\r
+       KERNEL4x3_4(xxx)\r
+\r
+       je      .L6_26\r
+\r
+       KERNEL4x3_1(xxx)\r
+       KERNEL4x3_2(xxx)\r
+       prefetcht0      B_PR1+32(BO,BI, SIZE)\r
+       KERNEL4x3_3(xxx)\r
+       KERNEL4x3_4(xxx)\r
+\r
+       KERNEL4x3_1(xxx)\r
+       KERNEL4x3_2(xxx)\r
+       KERNEL4x3_3(xxx)\r
+       KERNEL4x3_4(xxx)\r
+\r
+       je      .L6_26\r
+\r
+       jmp     .L6_22\r
+       ALIGN_4\r
+\r
+.L6_26:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L6_29\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; 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
+.L6_27:\r
+\r
+       KERNEL4x3_SUB(xxx)\r
+       addq    $3, BI\r
+       addq    $4, %rax\r
+       jl      .L6_27\r
+       ALIGN_4\r
+\r
+\r
+.L6_29:\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+       vfmaddps         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddps         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+       vfmaddps         (CO1, LDC, 2),%xmm0, %xmm6,%xmm6\r
+\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm5 ,         (CO1, LDC)\r
+       vmovups %xmm6 ,         (CO1, LDC, 2)\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       ALIGN_4\r
+       \r
+\r
+.L6_30:\r
+       testq   $2, M           \r
+       jz      .L6_40\r
+\r
+       ALIGN_4\r
+\r
+.L6_31:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $6 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L6_36\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; 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
+.L6_32:\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x3_1(xxx)\r
+       KERNEL2x3_2(xxx)\r
+       KERNEL2x3_3(xxx)\r
+       KERNEL2x3_4(xxx)\r
+\r
+       KERNEL2x3_1(xxx)\r
+       prefetcht0      B_PR1+16(BO,BI,SIZE)\r
+       KERNEL2x3_2(xxx)\r
+       KERNEL2x3_3(xxx)\r
+       KERNEL2x3_4(xxx)\r
+\r
+       je      .L6_36\r
+\r
+       KERNEL2x3_1(xxx)\r
+       KERNEL2x3_2(xxx)\r
+       prefetcht0      B_PR1+32(BO,BI,SIZE)\r
+       KERNEL2x3_3(xxx)\r
+       KERNEL2x3_4(xxx)\r
+\r
+       KERNEL2x3_1(xxx)\r
+       KERNEL2x3_2(xxx)\r
+       KERNEL2x3_3(xxx)\r
+       KERNEL2x3_4(xxx)\r
+\r
+       je      .L6_36\r
+\r
+       jmp     .L6_32\r
+       ALIGN_4\r
+\r
+.L6_36:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L6_39\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; 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
+.L6_37:\r
+\r
+       KERNEL2x3_SUB(xxx)\r
+       addq    $3, BI\r
+       addq    $2, %rax\r
+       jl      .L6_37\r
+       ALIGN_4\r
+\r
+\r
+.L6_39:\r
+\r
+       vmovss  ALPHA, %xmm0\r
+\r
+       vfmaddss         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddss 1 * SIZE(CO1),%xmm0, %xmm8,%xmm8\r
+       vfmaddss         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+       vfmaddss 1 * SIZE(CO1, LDC),%xmm0, %xmm10,%xmm10\r
+       vfmaddss         (CO1, LDC, 2),%xmm0, %xmm6,%xmm6\r
+       vfmaddss 1 * SIZE(CO1, LDC, 2),%xmm0, %xmm12,%xmm12\r
+\r
+\r
+       vmovss  %xmm4 ,         (CO1)\r
+       vmovss  %xmm8 , 1 * SIZE(CO1)\r
+       vmovss  %xmm5 ,         (CO1, LDC)\r
+       vmovss  %xmm10, 1 * SIZE(CO1, LDC)\r
+       vmovss  %xmm6 ,         (CO1, LDC, 2)\r
+       vmovss  %xmm12, 1 * SIZE(CO1, LDC, 2)\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       ALIGN_4\r
+\r
+.L6_40:\r
+       testq   $1, M           \r
+       jz      .L7_10          // to next 3 lines of N\r
+\r
+       ALIGN_4\r
+\r
+.L6_41:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $6 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L6_46\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; number of values\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L6_42:\r
+\r
+       KERNEL1x3_1(xxx)\r
+       KERNEL1x3_2(xxx)\r
+       KERNEL1x3_3(xxx)\r
+       KERNEL1x3_4(xxx)\r
+\r
+       KERNEL1x3_1(xxx)\r
+       KERNEL1x3_2(xxx)\r
+       KERNEL1x3_3(xxx)\r
+       KERNEL1x3_4(xxx)\r
+\r
+       je      .L6_46\r
+\r
+       KERNEL1x3_1(xxx)\r
+       KERNEL1x3_2(xxx)\r
+       KERNEL1x3_3(xxx)\r
+       KERNEL1x3_4(xxx)\r
+\r
+       KERNEL1x3_1(xxx)\r
+       KERNEL1x3_2(xxx)\r
+       KERNEL1x3_3(xxx)\r
+       KERNEL1x3_4(xxx)\r
+\r
+       je      .L6_46\r
+\r
+       jmp     .L6_42\r
+       ALIGN_4\r
+\r
+.L6_46:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L6_49\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; number of values\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L6_47:\r
+\r
+       KERNEL1x3_SUB(xxx)\r
+       addq    $3, BI\r
+       addq    $1, %rax\r
+       jl      .L6_47\r
+       ALIGN_4\r
+\r
+\r
+.L6_49:\r
+\r
+       vmovss  ALPHA, %xmm0\r
+\r
+       vfmaddss         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddss         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+       vfmaddss         (CO1, LDC, 2),%xmm0, %xmm6,%xmm6\r
+\r
+\r
+       vmovss  %xmm4 ,         (CO1)\r
+       vmovss  %xmm5 ,         (CO1, LDC)\r
+       vmovss  %xmm6 ,         (CO1, LDC, 2)\r
+\r
+       addq    $1 * SIZE, CO1          # coffset += 1\r
+       ALIGN_4\r
+       \r
+\r
+\r
+\r
+/***************************************************************************************************************/\r
+\r
+.L7_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 2), C           \r
+       leaq    (C, LDC, 1), C          // c += 3 * ldc\r
+\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $32 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $4, I                   // i = (m >> 4)\r
+       je      .L7_20\r
+\r
+       ALIGN_4\r
+\r
+.L7_11:\r
+        leaq    BUFFER2, BO             // second buffer to BO\r
+        addq    $6 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L7_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; 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
+.L7_12:\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL16x3_1(xxx)\r
+       KERNEL16x3_2(xxx)\r
+       KERNEL16x3_3(xxx)\r
+       KERNEL16x3_4(xxx)\r
+\r
+       KERNEL16x3_1(xxx)\r
+       prefetcht0      B_PR1+16(BO,BI, SIZE)\r
+       KERNEL16x3_2(xxx)\r
+       KERNEL16x3_3(xxx)\r
+       KERNEL16x3_4(xxx)\r
+\r
+       je      .L7_16\r
+\r
+       KERNEL16x3_1(xxx)\r
+       KERNEL16x3_2(xxx)\r
+       prefetcht0      B_PR1+32(BO,BI, SIZE)\r
+       KERNEL16x3_3(xxx)\r
+       KERNEL16x3_4(xxx)\r
+\r
+       KERNEL16x3_1(xxx)\r
+       KERNEL16x3_2(xxx)\r
+       KERNEL16x3_3(xxx)\r
+       KERNEL16x3_4(xxx)\r
+\r
+       je      .L7_16\r
+\r
+       jmp     .L7_12\r
+       ALIGN_4\r
+\r
+.L7_16:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L7_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; 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
+.L7_17:\r
+\r
+       KERNEL16x3_SUB(xxx)\r
+       addq    $3, BI\r
+       addq    $16, %rax\r
+       jl      .L7_17\r
+       ALIGN_4\r
+\r
+\r
+.L7_19:\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+       vfmaddps         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddps 4 * SIZE(CO1),%xmm0, %xmm7,%xmm7\r
+       vfmaddps 8 * SIZE(CO1),%xmm0, %xmm10,%xmm10\r
+       vfmaddps 12 * SIZE(CO1),%xmm0, %xmm13,%xmm13\r
+\r
+       vfmaddps         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+       vfmaddps 4 * SIZE(CO1, LDC),%xmm0, %xmm8,%xmm8\r
+       vfmaddps 8 * SIZE(CO1, LDC),%xmm0, %xmm11,%xmm11\r
+       vfmaddps 12 * SIZE(CO1, LDC),%xmm0, %xmm14,%xmm14\r
+\r
+       vfmaddps         (CO1, LDC, 2),%xmm0, %xmm6,%xmm6\r
+       vfmaddps 4 * SIZE(CO1, LDC, 2),%xmm0, %xmm9,%xmm9\r
+       vfmaddps 8 * SIZE(CO1, LDC, 2),%xmm0, %xmm12,%xmm12\r
+       vfmaddps 12 * SIZE(CO1, LDC, 2),%xmm0, %xmm15,%xmm15\r
+\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm7 , 4 * SIZE(CO1)\r
+       vmovups %xmm10, 8 * SIZE(CO1)\r
+       vmovups %xmm13,12 * SIZE(CO1)\r
+\r
+       vmovups %xmm5 ,         (CO1, LDC)\r
+       vmovups %xmm8 , 4 * SIZE(CO1, LDC)\r
+       vmovups %xmm11, 8 * SIZE(CO1, LDC)\r
+       vmovups %xmm14,12 * SIZE(CO1, LDC)\r
+\r
+       vmovups %xmm6 ,         (CO1, LDC, 2)\r
+       vmovups %xmm9 , 4 * SIZE(CO1, LDC, 2)\r
+       vmovups %xmm12, 8 * SIZE(CO1, LDC, 2)\r
+       vmovups %xmm15,12 * SIZE(CO1, LDC, 2)\r
+\r
+\r
+       addq    $16 * SIZE, CO1         # coffset += 16\r
+       decq    I                       # i --\r
+       jg      .L7_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L7_20:\r
+       // Test rest of M\r
+\r
+       testq   $15, M\r
+       jz      .L7_60          // to next 3 lines of N\r
+\r
+       testq   $8, M           \r
+       jz      .L7_21pre\r
+       ALIGN_4\r
+\r
+/**************************************************************************/\r
+\r
+.L7_20_1:\r
+        leaq    BUFFER2, BO             // first buffer to BO\r
+        addq    $6 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L7_20_6\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; 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
+.L7_20_2:\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL8x3_1(xxx)\r
+       KERNEL8x3_2(xxx)\r
+       KERNEL8x3_3(xxx)\r
+       KERNEL8x3_4(xxx)\r
+\r
+       KERNEL8x3_1(xxx)\r
+       prefetcht0      B_PR1+16(BO,BI, SIZE)\r
+       KERNEL8x3_2(xxx)\r
+       KERNEL8x3_3(xxx)\r
+       KERNEL8x3_4(xxx)\r
+\r
+       je      .L7_20_6\r
+\r
+       KERNEL8x3_1(xxx)\r
+       KERNEL8x3_2(xxx)\r
+       prefetcht0      B_PR1+32(BO,BI, SIZE)\r
+       KERNEL8x3_3(xxx)\r
+       KERNEL8x3_4(xxx)\r
+\r
+       KERNEL8x3_1(xxx)\r
+       KERNEL8x3_2(xxx)\r
+       KERNEL8x3_3(xxx)\r
+       KERNEL8x3_4(xxx)\r
+\r
+       je      .L7_20_6\r
+\r
+       jmp     .L7_20_2\r
+       ALIGN_4\r
+\r
+.L7_20_6:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L7_20_9\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; 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
+.L7_20_7:\r
+\r
+       KERNEL8x3_SUB(xxx)\r
+       addq    $3, BI\r
+       addq    $8, %rax\r
+       jl      .L7_20_7\r
+       ALIGN_4\r
+\r
+.L7_20_9:\r
+\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+       vfmaddps         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddps 4 * SIZE(CO1),%xmm0, %xmm7,%xmm7\r
+\r
+       vfmaddps         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+       vfmaddps 4 * SIZE(CO1, LDC),%xmm0, %xmm8,%xmm8\r
+\r
+       vfmaddps         (CO1, LDC, 2),%xmm0, %xmm6,%xmm6\r
+       vfmaddps 4 * SIZE(CO1, LDC, 2),%xmm0, %xmm9,%xmm9\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm7 , 4 * SIZE(CO1)\r
+\r
+       vmovups %xmm5 ,         (CO1, LDC)\r
+       vmovups %xmm8 , 4 * SIZE(CO1, LDC)\r
+\r
+       vmovups %xmm6 ,         (CO1, LDC, 2)\r
+       vmovups %xmm9 , 4 * SIZE(CO1, LDC, 2)\r
+\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       ALIGN_4\r
+       \r
+\r
+\r
+/**************************************************************************/\r
+\r
+.L7_21pre:\r
+\r
+       testq   $4, M           \r
+       jz      .L7_30\r
+       ALIGN_4\r
+\r
+.L7_21:\r
+        leaq    BUFFER2, BO             // second buffer to BO\r
+        addq    $6 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L7_26\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; 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
+.L7_22:\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL4x3_1(xxx)\r
+       KERNEL4x3_2(xxx)\r
+       KERNEL4x3_3(xxx)\r
+       KERNEL4x3_4(xxx)\r
+\r
+       KERNEL4x3_1(xxx)\r
+       prefetcht0      B_PR1+16(BO,BI, SIZE)\r
+       KERNEL4x3_2(xxx)\r
+       KERNEL4x3_3(xxx)\r
+       KERNEL4x3_4(xxx)\r
+\r
+       je      .L7_26\r
+\r
+       KERNEL4x3_1(xxx)\r
+       KERNEL4x3_2(xxx)\r
+       prefetcht0      B_PR1+32(BO,BI, SIZE)\r
+       KERNEL4x3_3(xxx)\r
+       KERNEL4x3_4(xxx)\r
+\r
+       KERNEL4x3_1(xxx)\r
+       KERNEL4x3_2(xxx)\r
+       KERNEL4x3_3(xxx)\r
+       KERNEL4x3_4(xxx)\r
+\r
+       je      .L7_26\r
+\r
+       jmp     .L7_22\r
+       ALIGN_4\r
+\r
+.L7_26:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L7_29\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; 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
+.L7_27:\r
+\r
+       KERNEL4x3_SUB(xxx)\r
+       addq    $3, BI\r
+       addq    $4, %rax\r
+       jl      .L7_27\r
+       ALIGN_4\r
+\r
+\r
+.L7_29:\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+       vfmaddps         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddps         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+       vfmaddps         (CO1, LDC, 2),%xmm0, %xmm6 ,%xmm6\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm5 ,         (CO1, LDC)\r
+       vmovups %xmm6 ,         (CO1, LDC, 2)\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       ALIGN_4\r
+       \r
+\r
+.L7_30:\r
+       testq   $2, M           \r
+       jz      .L7_40\r
+\r
+       ALIGN_4\r
+\r
+.L7_31:\r
+        leaq    BUFFER2, BO             // second buffer to BO\r
+        addq    $6 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L7_36\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; 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
+.L7_32:\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x3_1(xxx)\r
+       KERNEL2x3_2(xxx)\r
+       KERNEL2x3_3(xxx)\r
+       KERNEL2x3_4(xxx)\r
+\r
+       KERNEL2x3_1(xxx)\r
+       prefetcht0      B_PR1+16(BO,BI,SIZE)\r
+       KERNEL2x3_2(xxx)\r
+       KERNEL2x3_3(xxx)\r
+       KERNEL2x3_4(xxx)\r
+\r
+       je      .L7_36\r
+\r
+       KERNEL2x3_1(xxx)\r
+       KERNEL2x3_2(xxx)\r
+       prefetcht0      B_PR1+32(BO,BI,SIZE)\r
+       KERNEL2x3_3(xxx)\r
+       KERNEL2x3_4(xxx)\r
+\r
+       KERNEL2x3_1(xxx)\r
+       KERNEL2x3_2(xxx)\r
+       KERNEL2x3_3(xxx)\r
+       KERNEL2x3_4(xxx)\r
+\r
+       je      .L7_36\r
+\r
+       jmp     .L7_32\r
+       ALIGN_4\r
+\r
+.L7_36:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L7_39\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; 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
+.L7_37:\r
+\r
+       KERNEL2x3_SUB(xxx)\r
+       addq    $3, BI\r
+       addq    $2, %rax\r
+       jl      .L7_37\r
+       ALIGN_4\r
+\r
+\r
+.L7_39:\r
+\r
+       vmovss  ALPHA, %xmm0\r
+\r
+       vfmaddss         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddss 1 * SIZE(CO1),%xmm0, %xmm8,%xmm8\r
+       vfmaddss         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+       vfmaddss 1 * SIZE(CO1, LDC),%xmm0, %xmm10,%xmm10\r
+       vfmaddss         (CO1, LDC, 2),%xmm0, %xmm6,%xmm6\r
+       vfmaddss 1 * SIZE(CO1, LDC, 2),%xmm0, %xmm12,%xmm12\r
+\r
+       vmovss  %xmm4 ,         (CO1)\r
+       vmovss  %xmm8 , 1 * SIZE(CO1)\r
+       vmovss  %xmm5 ,         (CO1, LDC)\r
+       vmovss  %xmm10, 1 * SIZE(CO1, LDC)\r
+       vmovss  %xmm6 ,         (CO1, LDC, 2)\r
+       vmovss  %xmm12, 1 * SIZE(CO1, LDC, 2)\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       ALIGN_4\r
+\r
+.L7_40:\r
+       testq   $1, M           \r
+       jz      .L7_60          // to next 3 lines of N\r
+\r
+       ALIGN_4\r
+\r
+.L7_41:\r
+        leaq    BUFFER2, BO             // second buffer to BO\r
+        addq    $6 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L7_46\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; number of values\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L7_42:\r
+\r
+       KERNEL1x3_1(xxx)\r
+       KERNEL1x3_2(xxx)\r
+       KERNEL1x3_3(xxx)\r
+       KERNEL1x3_4(xxx)\r
+\r
+       KERNEL1x3_1(xxx)\r
+       KERNEL1x3_2(xxx)\r
+       KERNEL1x3_3(xxx)\r
+       KERNEL1x3_4(xxx)\r
+\r
+       je      .L7_46\r
+\r
+       KERNEL1x3_1(xxx)\r
+       KERNEL1x3_2(xxx)\r
+       KERNEL1x3_3(xxx)\r
+       KERNEL1x3_4(xxx)\r
+\r
+       KERNEL1x3_1(xxx)\r
+       KERNEL1x3_2(xxx)\r
+       KERNEL1x3_3(xxx)\r
+       KERNEL1x3_4(xxx)\r
+\r
+       je      .L7_46\r
+\r
+       jmp     .L7_42\r
+       ALIGN_4\r
+\r
+.L7_46:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L7_49\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,2), BI                   //  BI = BI * 3 ; number of values\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L7_47:\r
+\r
+       KERNEL1x3_SUB(xxx)\r
+       addq    $3, BI\r
+       addq    $1, %rax\r
+       jl      .L7_47\r
+       ALIGN_4\r
+\r
+\r
+.L7_49:\r
+\r
+       vmovss  ALPHA, %xmm0\r
+\r
+       vfmaddss         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddss         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+       vfmaddss         (CO1, LDC, 2),%xmm0, %xmm6,%xmm6\r
+\r
+       vmovss  %xmm4 ,         (CO1)\r
+       vmovss  %xmm5 ,         (CO1, LDC)\r
+       vmovss  %xmm6 ,         (CO1, LDC, 2)\r
+\r
+       addq    $1 * SIZE, CO1          # coffset += 1\r
+       ALIGN_4\r
+       \r
+\r
+\r
+.L7_60:\r
+\r
+       decq    J                       // j --\r
+       jg      .L6_01\r
+\r
+\r
+.L2_0:\r
+       cmpq    $0, Nmod6               // N % 6 == 0\r
+       je      .L999\r
+\r
+/************************************************************************************************\r
+* Loop for Nmod6 / 2 > 0\r
+*************************************************************************************************/\r
+\r
+       movq    Nmod6, J                \r
+       sarq    $1, J                   // j = j / 2\r
+       je      .L1_0\r
+       ALIGN_4\r
+\r
+.L2_01:\r
+       // copy to sub buffer\r
+       movq    B, BO1\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       movq    K, %rax\r
+       ALIGN_4\r
+\r
+.L2_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     .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
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $32 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $4, I                   // i = (m >> 4)\r
+       je      .L2_20\r
+\r
+       ALIGN_4\r
+\r
+.L2_11:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L2_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_12:\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL16x2_1(xxx)\r
+       KERNEL16x2_2(xxx)\r
+       KERNEL16x2_3(xxx)\r
+       KERNEL16x2_4(xxx)\r
+\r
+       KERNEL16x2_1(xxx)\r
+       KERNEL16x2_2(xxx)\r
+       KERNEL16x2_3(xxx)\r
+       KERNEL16x2_4(xxx)\r
+\r
+       je      .L2_16\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL16x2_1(xxx)\r
+       KERNEL16x2_2(xxx)\r
+       KERNEL16x2_3(xxx)\r
+       KERNEL16x2_4(xxx)\r
+\r
+       KERNEL16x2_1(xxx)\r
+       KERNEL16x2_2(xxx)\r
+       KERNEL16x2_3(xxx)\r
+       KERNEL16x2_4(xxx)\r
+\r
+       je      .L2_16\r
+\r
+       jmp     .L2_12\r
+       ALIGN_4\r
+\r
+.L2_16:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_17:\r
+\r
+       KERNEL16x2_SUB(xxx)\r
+       addq    $2, BI\r
+       addq    $16, %rax\r
+       jl      .L2_17\r
+       ALIGN_4\r
+\r
+\r
+.L2_19:\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+       vfmaddps         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddps 4 * SIZE(CO1),%xmm0, %xmm7,%xmm7\r
+       vfmaddps 8 * SIZE(CO1),%xmm0, %xmm10,%xmm10\r
+       vfmaddps 12 * SIZE(CO1),%xmm0, %xmm13,%xmm13\r
+\r
+       vfmaddps         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+       vfmaddps 4 * SIZE(CO1, LDC),%xmm0, %xmm8,%xmm8\r
+       vfmaddps 8 * SIZE(CO1, LDC),%xmm0, %xmm11,%xmm11\r
+       vfmaddps 12 * SIZE(CO1, LDC),%xmm0, %xmm14,%xmm14\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm7 , 4 * SIZE(CO1)\r
+       vmovups %xmm10, 8 * SIZE(CO1)\r
+       vmovups %xmm13,12 * SIZE(CO1)\r
+\r
+       vmovups %xmm5 ,         (CO1, LDC)\r
+       vmovups %xmm8 , 4 * SIZE(CO1, LDC)\r
+       vmovups %xmm11, 8 * SIZE(CO1, LDC)\r
+       vmovups %xmm14,12 * SIZE(CO1, LDC)\r
+\r
+       addq    $16 * SIZE, CO1         # coffset += 16\r
+       decq    I                       # i --\r
+       jg      .L2_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L2_20:\r
+       // Test rest of M\r
+\r
+       testq   $15, M\r
+       jz      .L2_60          // to next 3 lines of N\r
+\r
+       testq   $8, M           \r
+       jz      .L2_21pre\r
+       ALIGN_4\r
+\r
+/**************************************************************************/\r
+\r
+.L2_20_1:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_20_6\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_20_2:\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL8x2_1(xxx)\r
+       KERNEL8x2_2(xxx)\r
+       KERNEL8x2_3(xxx)\r
+       KERNEL8x2_4(xxx)\r
+\r
+       KERNEL8x2_1(xxx)\r
+       KERNEL8x2_2(xxx)\r
+       KERNEL8x2_3(xxx)\r
+       KERNEL8x2_4(xxx)\r
+\r
+       je      .L2_20_6\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL8x2_1(xxx)\r
+       KERNEL8x2_2(xxx)\r
+       KERNEL8x2_3(xxx)\r
+       KERNEL8x2_4(xxx)\r
+\r
+       KERNEL8x2_1(xxx)\r
+       KERNEL8x2_2(xxx)\r
+       KERNEL8x2_3(xxx)\r
+       KERNEL8x2_4(xxx)\r
+\r
+       je      .L2_20_6\r
+\r
+       jmp     .L2_20_2\r
+       ALIGN_4\r
+\r
+.L2_20_6:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_20_9\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_20_7:\r
+\r
+       KERNEL8x2_SUB(xxx)\r
+       addq    $2, BI\r
+       addq    $8, %rax\r
+       jl      .L2_20_7\r
+       ALIGN_4\r
+\r
+\r
+.L2_20_9:\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+       vfmaddps         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddps 4 * SIZE(CO1),%xmm0, %xmm7,%xmm7\r
+\r
+       vfmaddps         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+       vfmaddps 4 * SIZE(CO1, LDC),%xmm0, %xmm8,%xmm8\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm7 , 4 * SIZE(CO1)\r
+\r
+       vmovups %xmm5 ,         (CO1, LDC)\r
+       vmovups %xmm8 , 4 * SIZE(CO1, LDC)\r
+\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       ALIGN_4\r
+       \r
+\r
+\r
+/**************************************************************************/\r
+\r
+.L2_21pre:\r
+\r
+       testq   $4, M           \r
+       jz      .L2_30\r
+       ALIGN_4\r
+\r
+.L2_21:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_26\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 1 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_22:\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL4x2_1(xxx)\r
+       KERNEL4x2_2(xxx)\r
+       KERNEL4x2_3(xxx)\r
+       KERNEL4x2_4(xxx)\r
+\r
+       KERNEL4x2_1(xxx)\r
+       KERNEL4x2_2(xxx)\r
+       KERNEL4x2_3(xxx)\r
+       KERNEL4x2_4(xxx)\r
+\r
+       je      .L2_26\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL4x2_1(xxx)\r
+       KERNEL4x2_2(xxx)\r
+       KERNEL4x2_3(xxx)\r
+       KERNEL4x2_4(xxx)\r
+\r
+       KERNEL4x2_1(xxx)\r
+       KERNEL4x2_2(xxx)\r
+       KERNEL4x2_3(xxx)\r
+       KERNEL4x2_4(xxx)\r
+\r
+       je      .L2_26\r
+\r
+       jmp     .L2_22\r
+       ALIGN_4\r
+\r
+.L2_26:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_29\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_27:\r
+\r
+       KERNEL4x2_SUB(xxx)\r
+       addq    $2, BI\r
+       addq    $4, %rax\r
+       jl      .L2_27\r
+       ALIGN_4\r
+\r
+\r
+.L2_29:\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+       vfmaddps         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddps         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm5 ,         (CO1, LDC)\r
+\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       ALIGN_4\r
+       \r
+\r
+.L2_30:\r
+       testq   $2, M           \r
+       jz      .L2_40\r
+\r
+       ALIGN_4\r
+\r
+.L2_31:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_36\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_32:\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_1(xxx)\r
+       KERNEL2x2_2(xxx)\r
+       KERNEL2x2_3(xxx)\r
+       KERNEL2x2_4(xxx)\r
+\r
+       KERNEL2x2_1(xxx)\r
+       KERNEL2x2_2(xxx)\r
+       KERNEL2x2_3(xxx)\r
+       KERNEL2x2_4(xxx)\r
+\r
+       je      .L2_36\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_1(xxx)\r
+       KERNEL2x2_2(xxx)\r
+       KERNEL2x2_3(xxx)\r
+       KERNEL2x2_4(xxx)\r
+\r
+       KERNEL2x2_1(xxx)\r
+       KERNEL2x2_2(xxx)\r
+       KERNEL2x2_3(xxx)\r
+       KERNEL2x2_4(xxx)\r
+\r
+       je      .L2_36\r
+\r
+       jmp     .L2_32\r
+       ALIGN_4\r
+\r
+.L2_36:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_39\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+       \r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_37:\r
+\r
+       KERNEL2x2_SUB(xxx)\r
+       addq    $2, BI\r
+       addq    $2, %rax\r
+       jl      .L2_37\r
+       ALIGN_4\r
+\r
+\r
+.L2_39:\r
+\r
+       vmovss  ALPHA, %xmm0\r
+\r
+       vfmaddss         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddss 1 * SIZE(CO1),%xmm0, %xmm8,%xmm8\r
+       vfmaddss         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+       vfmaddss 1 * SIZE(CO1, LDC),%xmm0, %xmm10,%xmm10\r
+\r
+       vmovss  %xmm4 ,         (CO1)\r
+       vmovss  %xmm8 , 1 * SIZE(CO1)\r
+       vmovss  %xmm5 ,         (CO1, LDC)\r
+       vmovss  %xmm10, 1 * SIZE(CO1, LDC)\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       ALIGN_4\r
+\r
+.L2_40:\r
+       testq   $1, M           \r
+       jz      .L2_60          // to next 2 lines of N\r
+\r
+       ALIGN_4\r
+\r
+.L2_41:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_46\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_42:\r
+\r
+       KERNEL1x2_1(xxx)\r
+       KERNEL1x2_2(xxx)\r
+       KERNEL1x2_3(xxx)\r
+       KERNEL1x2_4(xxx)\r
+\r
+       KERNEL1x2_1(xxx)\r
+       KERNEL1x2_2(xxx)\r
+       KERNEL1x2_3(xxx)\r
+       KERNEL1x2_4(xxx)\r
+\r
+       je      .L2_46\r
+\r
+       KERNEL1x2_1(xxx)\r
+       KERNEL1x2_2(xxx)\r
+       KERNEL1x2_3(xxx)\r
+       KERNEL1x2_4(xxx)\r
+\r
+       KERNEL1x2_1(xxx)\r
+       KERNEL1x2_2(xxx)\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
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_49\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_47:\r
+\r
+       KERNEL1x2_SUB(xxx)\r
+       addq    $2, BI\r
+       addq    $1, %rax\r
+       jl      .L2_47\r
+       ALIGN_4\r
+\r
+\r
+.L2_49:\r
+\r
+       vmovss  ALPHA, %xmm0\r
+\r
+       vfmaddss         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddss         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+\r
+       vmovss  %xmm4 ,         (CO1)\r
+       vmovss  %xmm5 ,         (CO1, LDC)\r
+\r
+       addq    $1 * SIZE, CO1          # coffset += 1\r
+       ALIGN_4\r
+       \r
+.L2_60:\r
+\r
+       decq    J                       // j --\r
+       jg      .L2_01                  // next 2 lines of N\r
+\r
+\r
+\r
+.L1_0:\r
+\r
+/************************************************************************************************\r
+* Loop for Nmod6 % 2 > 0\r
+*************************************************************************************************/\r
+\r
+       movq    Nmod6, J                \r
+       andq    $1, J                   // j % 2\r
+       je      .L999\r
+       ALIGN_4\r
+\r
+.L1_01:\r
+       // copy to sub buffer\r
+       movq    B, BO1\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       movq    K, %rax\r
+       ALIGN_4\r
+\r
+.L1_02b:\r
+\r
+       vmovss  (BO1), %xmm0\r
+       vmovss  %xmm0,       (BO)\r
+       addq    $1*SIZE,BO1\r
+       addq    $1*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L1_02b\r
+\r
+.L1_02c:\r
+\r
+       movq    BO1, B                  // next offset of B\r
+\r
+.L1_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 1), C          // c += 1 * ldc\r
+\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $32 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $4, I                   // i = (m >> 4)\r
+       je      .L1_20\r
+\r
+       ALIGN_4\r
+\r
+.L1_11:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L1_16\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_12:\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL16x1_1(xxx)\r
+       KERNEL16x1_2(xxx)\r
+       KERNEL16x1_3(xxx)\r
+       KERNEL16x1_4(xxx)\r
+\r
+       KERNEL16x1_1(xxx)\r
+       KERNEL16x1_2(xxx)\r
+       KERNEL16x1_3(xxx)\r
+       KERNEL16x1_4(xxx)\r
+\r
+       je      .L1_16\r
+\r
+       KERNEL16x1_1(xxx)\r
+       KERNEL16x1_2(xxx)\r
+       KERNEL16x1_3(xxx)\r
+       KERNEL16x1_4(xxx)\r
+\r
+       KERNEL16x1_1(xxx)\r
+       KERNEL16x1_2(xxx)\r
+       KERNEL16x1_3(xxx)\r
+       KERNEL16x1_4(xxx)\r
+\r
+       je      .L1_16\r
+\r
+       jmp     .L1_12\r
+       ALIGN_4\r
+\r
+.L1_16:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_19\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_17:\r
+\r
+       KERNEL16x1_SUB(xxx)\r
+       addq    $1, BI\r
+       addq    $16, %rax\r
+       jl      .L1_17\r
+       ALIGN_4\r
+\r
+\r
+.L1_19:\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+       vfmaddps         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddps 4 * SIZE(CO1),%xmm0, %xmm7,%xmm7\r
+       vfmaddps 8 * SIZE(CO1),%xmm0, %xmm10,%xmm10\r
+       vfmaddps 12 * SIZE(CO1),%xmm0, %xmm13,%xmm13\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm7 , 4 * SIZE(CO1)\r
+       vmovups %xmm10, 8 * SIZE(CO1)\r
+       vmovups %xmm13,12 * SIZE(CO1)\r
+\r
+       addq    $16 * SIZE, CO1         # coffset += 16\r
+       decq    I                       # i --\r
+       jg      .L1_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L1_20:\r
+       // Test rest of M\r
+\r
+       testq   $15, M\r
+       jz      .L999\r
+\r
+       testq   $8, M           \r
+       jz      .L1_21pre\r
+       ALIGN_4\r
+\r
+/**************************************************************************/\r
+\r
+.L1_20_1:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_20_6\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_20_2:\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL8x1_1(xxx)\r
+       KERNEL8x1_2(xxx)\r
+       KERNEL8x1_3(xxx)\r
+       KERNEL8x1_4(xxx)\r
+\r
+       KERNEL8x1_1(xxx)\r
+       KERNEL8x1_2(xxx)\r
+       KERNEL8x1_3(xxx)\r
+       KERNEL8x1_4(xxx)\r
+\r
+       je      .L1_20_6\r
+\r
+       KERNEL8x1_1(xxx)\r
+       KERNEL8x1_2(xxx)\r
+       KERNEL8x1_3(xxx)\r
+       KERNEL8x1_4(xxx)\r
+\r
+       KERNEL8x1_1(xxx)\r
+       KERNEL8x1_2(xxx)\r
+       KERNEL8x1_3(xxx)\r
+       KERNEL8x1_4(xxx)\r
+\r
+       je      .L1_20_6\r
+\r
+       jmp     .L1_20_2\r
+       ALIGN_4\r
+\r
+.L1_20_6:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_20_9\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_20_7:\r
+\r
+       KERNEL8x1_SUB(xxx)\r
+       addq    $1, BI\r
+       addq    $8, %rax\r
+       jl      .L1_20_7\r
+       ALIGN_4\r
+\r
+\r
+.L1_20_9:\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+       vfmaddps         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddps 4 * SIZE(CO1),%xmm0, %xmm7,%xmm7\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm7 , 4 * SIZE(CO1)\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       ALIGN_4\r
+       \r
+\r
+\r
+/**************************************************************************/\r
+\r
+.L1_21pre:\r
+\r
+       testq   $4, M           \r
+       jz      .L1_30\r
+       ALIGN_4\r
+\r
+.L1_21:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_26\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_22:\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL4x1_1(xxx)\r
+       KERNEL4x1_2(xxx)\r
+       KERNEL4x1_3(xxx)\r
+       KERNEL4x1_4(xxx)\r
+\r
+       KERNEL4x1_1(xxx)\r
+       KERNEL4x1_2(xxx)\r
+       KERNEL4x1_3(xxx)\r
+       KERNEL4x1_4(xxx)\r
+\r
+       je      .L1_26\r
+\r
+       KERNEL4x1_1(xxx)\r
+       KERNEL4x1_2(xxx)\r
+       KERNEL4x1_3(xxx)\r
+       KERNEL4x1_4(xxx)\r
+\r
+       KERNEL4x1_1(xxx)\r
+       KERNEL4x1_2(xxx)\r
+       KERNEL4x1_3(xxx)\r
+       KERNEL4x1_4(xxx)\r
+\r
+       je      .L1_26\r
+\r
+       jmp     .L1_22\r
+       ALIGN_4\r
+\r
+.L1_26:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_29\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_27:\r
+\r
+       KERNEL4x1_SUB(xxx)\r
+       addq    $1, BI\r
+       addq    $4, %rax\r
+       jl      .L1_27\r
+       ALIGN_4\r
+\r
+\r
+.L1_29:\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+       vfmaddps         (CO1),%xmm0, %xmm4,%xmm4\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       ALIGN_4\r
+       \r
+\r
+.L1_30:\r
+       testq   $2, M           \r
+       jz      .L1_40\r
+\r
+       ALIGN_4\r
+\r
+.L1_31:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_36\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_32:\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x1_1(xxx)\r
+       KERNEL2x1_2(xxx)\r
+       KERNEL2x1_3(xxx)\r
+       KERNEL2x1_4(xxx)\r
+\r
+       KERNEL2x1_1(xxx)\r
+       KERNEL2x1_2(xxx)\r
+       KERNEL2x1_3(xxx)\r
+       KERNEL2x1_4(xxx)\r
+\r
+       je      .L1_36\r
+\r
+       KERNEL2x1_1(xxx)\r
+       KERNEL2x1_2(xxx)\r
+       KERNEL2x1_3(xxx)\r
+       KERNEL2x1_4(xxx)\r
+\r
+       KERNEL2x1_1(xxx)\r
+       KERNEL2x1_2(xxx)\r
+       KERNEL2x1_3(xxx)\r
+       KERNEL2x1_4(xxx)\r
+\r
+       je      .L1_36\r
+\r
+       jmp     .L1_32\r
+       ALIGN_4\r
+\r
+.L1_36:\r
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_39\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+       \r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_37:\r
+\r
+       KERNEL2x1_SUB(xxx)\r
+       addq    $1, BI\r
+       addq    $2, %rax\r
+       jl      .L1_37\r
+       ALIGN_4\r
+\r
+\r
+.L1_39:\r
+\r
+       vmovss  ALPHA, %xmm0\r
+\r
+       vfmaddss         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddss 1 * SIZE(CO1),%xmm0, %xmm8,%xmm8\r
+\r
+       vmovss  %xmm4 ,         (CO1)\r
+       vmovss  %xmm8 , 1 * SIZE(CO1)\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       ALIGN_4\r
+\r
+.L1_40:\r
+       testq   $1, M           \r
+       jz      .L999\r
+\r
+       ALIGN_4\r
+\r
+.L1_41:\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+\r
+       vzeroall\r
+\r
+        movq    K, %rax\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_46\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_42:\r
+\r
+       KERNEL1x1_1(xxx)\r
+       KERNEL1x1_2(xxx)\r
+       KERNEL1x1_3(xxx)\r
+       KERNEL1x1_4(xxx)\r
+\r
+       KERNEL1x1_1(xxx)\r
+       KERNEL1x1_2(xxx)\r
+       KERNEL1x1_3(xxx)\r
+       KERNEL1x1_4(xxx)\r
+\r
+       je      .L1_46\r
+\r
+       KERNEL1x1_1(xxx)\r
+       KERNEL1x1_2(xxx)\r
+       KERNEL1x1_3(xxx)\r
+       KERNEL1x1_4(xxx)\r
+\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
+        movq    K, %rax\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_49\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_47:\r
+\r
+       KERNEL1x1_SUB(xxx)\r
+       addq    $1, BI\r
+       addq    $1, %rax\r
+       jl      .L1_47\r
+       ALIGN_4\r
+\r
+\r
+.L1_49:\r
+\r
+       vmovss  ALPHA, %xmm0\r
+\r
+       vfmaddss         (CO1),%xmm0, %xmm4,%xmm4\r
+\r
+       vmovss  %xmm4 ,         (CO1)\r
+\r
+       addq    $1 * SIZE, CO1          # coffset += 1\r
+       ALIGN_4\r
+       \r
+\r
+.L999:\r
+       movq            SP, %rsp\r
+       movq       (%rsp), %rbx\r
+       movq      8(%rsp), %rbp\r
+       movq     16(%rsp), %r12\r
+       movq     24(%rsp), %r13\r
+       movq     32(%rsp), %r14\r
+       movq     40(%rsp), %r15\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq     48(%rsp), %rdi\r
+       movq     56(%rsp), %rsi\r
+       movups   64(%rsp), %xmm6\r
+       movups   80(%rsp), %xmm7\r
+       movups   96(%rsp), %xmm8\r
+       movups  112(%rsp), %xmm9\r
+       movups  128(%rsp), %xmm10\r
+       movups  144(%rsp), %xmm11\r
+       movups  160(%rsp), %xmm12\r
+       movups  176(%rsp), %xmm13\r
+       movups  192(%rsp), %xmm14\r
+       movups  208(%rsp), %xmm15\r
+#endif\r
+\r
+       addq    $STACKSIZE, %rsp\r
+       ret\r
+\r
+       EPILOGUE\r
+\r
+\r
+#else\r
+/*************************************************************************************\r
+* TRMM Kernel\r
+*************************************************************************************/\r
+\r
+\r
+       PROLOGUE\r
+       PROFCODE\r
+       \r
+       subq    $STACKSIZE, %rsp\r
+       movq    %rbx,   (%rsp)\r
+       movq    %rbp,  8(%rsp)\r
+       movq    %r12, 16(%rsp)\r
+       movq    %r13, 24(%rsp)\r
+       movq    %r14, 32(%rsp)\r
+       movq    %r15, 40(%rsp)\r
+\r
+       vzeroupper\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq    %rdi,    48(%rsp)\r
+       movq    %rsi,    56(%rsp)\r
+       movups  %xmm6,   64(%rsp)\r
+       movups  %xmm7,   80(%rsp)\r
+       movups  %xmm8,   96(%rsp)\r
+       movups  %xmm9,  112(%rsp)\r
+       movups  %xmm10, 128(%rsp)\r
+       movups  %xmm11, 144(%rsp)\r
+       movups  %xmm12, 160(%rsp)\r
+       movups  %xmm13, 176(%rsp)\r
+       movups  %xmm14, 192(%rsp)\r
+       movups  %xmm15, 208(%rsp)\r
+\r
+       movq    ARG1,      OLD_M\r
+       movq    ARG2,      OLD_N\r
+       movq    ARG3,      OLD_K\r
+       movq    OLD_A,     A\r
+       movq    OLD_B,     B\r
+       movq    OLD_C,     C\r
+       movq    OLD_LDC,   LDC\r
+#ifdef TRMMKERNEL\r
+       movsd   OLD_OFFSET, %xmm12\r
+#endif\r
+       vmovaps %xmm3, %xmm0\r
+\r
+#else\r
+       movq    STACKSIZE +  8(%rsp), LDC\r
+#ifdef TRMMKERNEL\r
+       movsd   STACKSIZE + 16(%rsp), %xmm12\r
+#endif\r
+\r
+#endif\r
+\r
+       movq    %rsp, SP      # save old stack\r
+        subq    $128 + L_BUFFER_SIZE, %rsp\r
+        andq    $-4096, %rsp    # align stack\r
+\r
+        STACK_TOUCH\r
+\r
+       cmpq    $0, OLD_M\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_N\r
+       je      .L999\r
+\r
+       cmpq    $0, OLD_K\r
+       je      .L999\r
+\r
+       movq    OLD_M, M\r
+       movq    OLD_N, N\r
+       movq    OLD_K, K\r
+\r
+       vmovsd   %xmm0, ALPHA\r
+\r
+       salq    $BASE_SHIFT, LDC\r
+\r
+       movq    N, %rax\r
+        xorq    %rdx, %rdx\r
+        movq    $2,  %rdi\r
+        divq    %rdi                    //    N / 6\r
+        movq    %rax, Ndiv6             //    N / 6\r
+        movq    %rdx, Nmod6             //    N % 6\r
+\r
+       \r
+\r
+#ifdef TRMMKERNEL\r
+       vmovsd  %xmm12, OFFSET\r
+       vmovsd  %xmm12, KK\r
+#ifndef LEFT\r
+       negq    KK\r
+#endif \r
+#endif\r
+\r
+       movq    Ndiv6,  J\r
+       cmpq    $0, J\r
+       je      .L1_0\r
+       ALIGN_4\r
+\r
+.L2_01:\r
+       // copy to sub buffer\r
+       movq    B, BO1\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       movq    K, %rax\r
+       ALIGN_4\r
+\r
+.L2_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     .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    $32 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $4, I                   // i = (m >> 4)\r
+       je      .L2_20\r
+\r
+       ALIGN_4\r
+\r
+.L2_11:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $16, %rax      // number of values in AO\r
+#else\r
+        addq    $2, %rax       // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L2_16\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_12:\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL16x2_1(xxx)\r
+       KERNEL16x2_2(xxx)\r
+       KERNEL16x2_3(xxx)\r
+       KERNEL16x2_4(xxx)\r
+\r
+       KERNEL16x2_1(xxx)\r
+       KERNEL16x2_2(xxx)\r
+       KERNEL16x2_3(xxx)\r
+       KERNEL16x2_4(xxx)\r
+\r
+       je      .L2_16\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL16x2_1(xxx)\r
+       KERNEL16x2_2(xxx)\r
+       KERNEL16x2_3(xxx)\r
+       KERNEL16x2_4(xxx)\r
+\r
+       KERNEL16x2_1(xxx)\r
+       KERNEL16x2_2(xxx)\r
+       KERNEL16x2_3(xxx)\r
+       KERNEL16x2_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,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_17:\r
+\r
+       KERNEL16x2_SUB(xxx)\r
+       addq    $2, BI\r
+       addq    $16, %rax\r
+       jl      .L2_17\r
+       ALIGN_4\r
+\r
+\r
+.L2_19:\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vfmaddps         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddps 4 * SIZE(CO1),%xmm0, %xmm7,%xmm7\r
+       vfmaddps 8 * SIZE(CO1),%xmm0, %xmm10,%xmm10\r
+       vfmaddps 12 * SIZE(CO1),%xmm0, %xmm13,%xmm13\r
+\r
+       vfmaddps         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+       vfmaddps 4 * SIZE(CO1, LDC),%xmm0, %xmm8,%xmm8\r
+       vfmaddps 8 * SIZE(CO1, LDC),%xmm0, %xmm11,%xmm11\r
+       vfmaddps 12 * SIZE(CO1, LDC),%xmm0, %xmm14,%xmm14\r
+\r
+#else\r
+       vmulps  %xmm0, %xmm4,%xmm4\r
+       vmulps  %xmm0, %xmm7,%xmm7\r
+       vmulps  %xmm0, %xmm10,%xmm10\r
+       vmulps  %xmm0, %xmm13,%xmm13\r
+\r
+       vmulps  %xmm0, %xmm5,%xmm5\r
+       vmulps  %xmm0, %xmm8,%xmm8\r
+       vmulps  %xmm0, %xmm11,%xmm11\r
+       vmulps  %xmm0, %xmm14,%xmm14\r
+\r
+#endif\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm7 , 4 * SIZE(CO1)\r
+       vmovups %xmm10, 8 * SIZE(CO1)\r
+       vmovups %xmm13,12 * SIZE(CO1)\r
+\r
+       vmovups %xmm5 ,         (CO1, LDC)\r
+       vmovups %xmm8 , 4 * SIZE(CO1, LDC)\r
+       vmovups %xmm11, 8 * SIZE(CO1, LDC)\r
+       vmovups %xmm14,12 * SIZE(CO1, LDC)\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,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $16, KK                                \r
+#endif\r
+\r
+       addq    $16 * SIZE, CO1         # coffset += 16\r
+       decq    I                       # i --\r
+       jg      .L2_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L2_20:\r
+       // Test rest of M\r
+\r
+       testq   $15, M\r
+       jz      .L2_60          // to next 3 lines of N\r
+\r
+       testq   $8, M           \r
+       jz      .L2_21pre\r
+       ALIGN_4\r
+\r
+/**************************************************************************/\r
+\r
+.L2_20_1:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $8, %rax        // number of values in A\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_20_6\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_20_2:\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL8x2_1(xxx)\r
+       KERNEL8x2_2(xxx)\r
+       KERNEL8x2_3(xxx)\r
+       KERNEL8x2_4(xxx)\r
+\r
+       KERNEL8x2_1(xxx)\r
+       KERNEL8x2_2(xxx)\r
+       KERNEL8x2_3(xxx)\r
+       KERNEL8x2_4(xxx)\r
+\r
+       je      .L2_20_6\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL8x2_1(xxx)\r
+       KERNEL8x2_2(xxx)\r
+       KERNEL8x2_3(xxx)\r
+       KERNEL8x2_4(xxx)\r
+\r
+       KERNEL8x2_1(xxx)\r
+       KERNEL8x2_2(xxx)\r
+       KERNEL8x2_3(xxx)\r
+       KERNEL8x2_4(xxx)\r
+\r
+       je      .L2_20_6\r
+\r
+       jmp     .L2_20_2\r
+       ALIGN_4\r
+\r
+.L2_20_6:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_20_9\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_20_7:\r
+\r
+       KERNEL8x2_SUB(xxx)\r
+       addq    $2, BI\r
+       addq    $8, %rax\r
+       jl      .L2_20_7\r
+       ALIGN_4\r
+\r
+\r
+.L2_20_9:\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vfmaddps         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddps 4 * SIZE(CO1),%xmm0, %xmm7,%xmm7\r
+\r
+       vfmaddps         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+       vfmaddps 4 * SIZE(CO1, LDC),%xmm0, %xmm8,%xmm8\r
+\r
+#else\r
+       vmulps  %xmm0, %xmm4,%xmm4\r
+       vmulps  %xmm0, %xmm7,%xmm7\r
+\r
+       vmulps  %xmm0, %xmm5,%xmm5\r
+       vmulps  %xmm0, %xmm8,%xmm8\r
+\r
+#endif\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm7 , 4 * SIZE(CO1)\r
+\r
+       vmovups %xmm5 ,         (CO1, LDC)\r
+       vmovups %xmm8 , 4 * SIZE(CO1, LDC)\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,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO         \r
+        salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $8, KK\r
+#endif\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       ALIGN_4\r
+       \r
+\r
+\r
+/**************************************************************************/\r
+\r
+.L2_21pre:\r
+\r
+       testq   $4, M           \r
+       jz      .L2_30\r
+       ALIGN_4\r
+\r
+.L2_21:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $4, %rax        // number of values in A\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_26\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 1 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_22:\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL4x2_1(xxx)\r
+       KERNEL4x2_2(xxx)\r
+       KERNEL4x2_3(xxx)\r
+       KERNEL4x2_4(xxx)\r
+\r
+       KERNEL4x2_1(xxx)\r
+       KERNEL4x2_2(xxx)\r
+       KERNEL4x2_3(xxx)\r
+       KERNEL4x2_4(xxx)\r
+\r
+       je      .L2_26\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL4x2_1(xxx)\r
+       KERNEL4x2_2(xxx)\r
+       KERNEL4x2_3(xxx)\r
+       KERNEL4x2_4(xxx)\r
+\r
+       KERNEL4x2_1(xxx)\r
+       KERNEL4x2_2(xxx)\r
+       KERNEL4x2_3(xxx)\r
+       KERNEL4x2_4(xxx)\r
+\r
+       je      .L2_26\r
+\r
+       jmp     .L2_22\r
+       ALIGN_4\r
+\r
+.L2_26:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_29\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_27:\r
+\r
+       KERNEL4x2_SUB(xxx)\r
+       addq    $2, BI\r
+       addq    $4, %rax\r
+       jl      .L2_27\r
+       ALIGN_4\r
+\r
+\r
+.L2_29:\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vfmaddps         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddps         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+\r
+#else\r
+       vmulps  %xmm0, %xmm4,%xmm4\r
+       vmulps  %xmm0, %xmm5,%xmm5\r
+\r
+#endif\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm5 ,         (CO1, LDC)\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,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO         \r
+        salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $4, KK\r
+#endif\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       ALIGN_4\r
+       \r
+\r
+.L2_30:\r
+       testq   $2, M           \r
+       jz      .L2_40\r
+\r
+       ALIGN_4\r
+\r
+.L2_31:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $2, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_36\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_32:\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_1(xxx)\r
+       KERNEL2x2_2(xxx)\r
+       KERNEL2x2_3(xxx)\r
+       KERNEL2x2_4(xxx)\r
+\r
+       KERNEL2x2_1(xxx)\r
+       KERNEL2x2_2(xxx)\r
+       KERNEL2x2_3(xxx)\r
+       KERNEL2x2_4(xxx)\r
+\r
+       je      .L2_36\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x2_1(xxx)\r
+       KERNEL2x2_2(xxx)\r
+       KERNEL2x2_3(xxx)\r
+       KERNEL2x2_4(xxx)\r
+\r
+       KERNEL2x2_1(xxx)\r
+       KERNEL2x2_2(xxx)\r
+       KERNEL2x2_3(xxx)\r
+       KERNEL2x2_4(xxx)\r
+\r
+       je      .L2_36\r
+\r
+       jmp     .L2_32\r
+       ALIGN_4\r
+\r
+.L2_36:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L2_39\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+       \r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_37:\r
+\r
+       KERNEL2x2_SUB(xxx)\r
+       addq    $2, BI\r
+       addq    $2, %rax\r
+       jl      .L2_37\r
+       ALIGN_4\r
+\r
+\r
+.L2_39:\r
+\r
+       vmovss  ALPHA, %xmm0\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vfmaddss         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddss 1 * SIZE(CO1),%xmm0, %xmm8,%xmm8\r
+       vfmaddss         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+       vfmaddss 1 * SIZE(CO1, LDC),%xmm0, %xmm10,%xmm10\r
+\r
+#else\r
+       vmulss  %xmm0, %xmm4,%xmm4\r
+       vmulss  %xmm0, %xmm8,%xmm8\r
+       vmulss  %xmm0, %xmm5,%xmm5\r
+       vmulss  %xmm0, %xmm10,%xmm10\r
+\r
+#endif\r
+\r
+       vmovss  %xmm4 ,         (CO1)\r
+       vmovss  %xmm8 , 1 * SIZE(CO1)\r
+       vmovss  %xmm5 ,         (CO1, LDC)\r
+       vmovss  %xmm10, 1 * 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,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO         \r
+        salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $2, KK\r
+#endif\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       ALIGN_4\r
+\r
+.L2_40:\r
+       testq   $1, M           \r
+       jz      .L2_60          // to next 2 lines of N\r
+\r
+       ALIGN_4\r
+\r
+.L2_41:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $4 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $1, %rax        // number of values in AO\r
+#else\r
+        addq    $2, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       andq    $-8, %rax\r
+       je      .L2_46\r
+       movq    %rax, BI                        //  Index for BO\r
+        leaq    (BI,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_42:\r
+\r
+       KERNEL1x2_1(xxx)\r
+       KERNEL1x2_2(xxx)\r
+       KERNEL1x2_3(xxx)\r
+       KERNEL1x2_4(xxx)\r
+\r
+       KERNEL1x2_1(xxx)\r
+       KERNEL1x2_2(xxx)\r
+       KERNEL1x2_3(xxx)\r
+       KERNEL1x2_4(xxx)\r
+\r
+       je      .L2_46\r
+\r
+       KERNEL1x2_1(xxx)\r
+       KERNEL1x2_2(xxx)\r
+       KERNEL1x2_3(xxx)\r
+       KERNEL1x2_4(xxx)\r
+\r
+       KERNEL1x2_1(xxx)\r
+       KERNEL1x2_2(xxx)\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,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L2_47:\r
+\r
+       KERNEL1x2_SUB(xxx)\r
+       addq    $2, BI\r
+       addq    $1, %rax\r
+       jl      .L2_47\r
+       ALIGN_4\r
+\r
+\r
+.L2_49:\r
+\r
+       vmovss  ALPHA, %xmm0\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vfmaddss         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddss         (CO1, LDC),%xmm0, %xmm5,%xmm5\r
+\r
+#else\r
+       vmulss  %xmm0, %xmm4,%xmm4\r
+       vmulss  %xmm0, %xmm5,%xmm5\r
+\r
+#endif\r
+\r
+       vmovss  %xmm4 ,         (CO1)\r
+       vmovss  %xmm5 ,         (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,BI,1), BI                   //  BI = BI * 2 ; number of values\r
+        leaq    (BO, BI, SIZE), BO         \r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $1, KK\r
+#endif\r
+\r
+       addq    $1 * SIZE, CO1          # coffset += 1\r
+       ALIGN_4\r
+       \r
+\r
+\r
+\r
+       \r
+.L2_60:\r
+#if defined(TRMMKERNEL) && !defined(LEFT)\r
+        addq    $2, KK\r
+#endif\r
+\r
+       decq    J                       // j --\r
+       jg      .L2_01                  // next 2 lines of N\r
+\r
+\r
+\r
+.L1_0:\r
+\r
+/************************************************************************************************\r
+* Loop for Nmod6 % 2 > 0\r
+*************************************************************************************************/\r
+\r
+       movq    Nmod6, J                \r
+       andq    $1, J                   // j % 2\r
+       je      .L999\r
+       ALIGN_4\r
+\r
+.L1_01:\r
+       // copy to sub buffer\r
+       movq    B, BO1\r
+       leaq    BUFFER1, BO             // first buffer to BO\r
+       movq    K, %rax\r
+       ALIGN_4\r
+\r
+.L1_02b:\r
+\r
+       vmovss  (BO1), %xmm0\r
+       vmovss  %xmm0,       (BO)\r
+       addq    $1*SIZE,BO1\r
+       addq    $1*SIZE,BO\r
+       decq    %rax\r
+       jnz     .L1_02b\r
+\r
+.L1_02c:\r
+\r
+       movq    BO1, B                  // next offset of B\r
+\r
+.L1_10:\r
+       movq    C, CO1\r
+       leaq    (C, LDC, 1), C          // c += 1 * ldc\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        movq    OFFSET, %rax\r
+        movq    %rax, KK\r
+#endif\r
+       \r
+       movq    A, AO                   // aoffset = a\r
+       addq    $32 * SIZE, AO\r
+\r
+       movq    M,  I\r
+       sarq    $4, I                   // i = (m >> 4)\r
+       je      .L1_20\r
+\r
+       ALIGN_4\r
+\r
+.L1_11:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $16, %rax      // number of values in AO\r
+#else\r
+        addq    $1, %rax       // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       andq    $-8, %rax                       //  K = K - ( K % 8 )\r
+       je      .L1_16\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_12:\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL16x1_1(xxx)\r
+       KERNEL16x1_2(xxx)\r
+       KERNEL16x1_3(xxx)\r
+       KERNEL16x1_4(xxx)\r
+\r
+       KERNEL16x1_1(xxx)\r
+       KERNEL16x1_2(xxx)\r
+       KERNEL16x1_3(xxx)\r
+       KERNEL16x1_4(xxx)\r
+\r
+       je      .L1_16\r
+\r
+       KERNEL16x1_1(xxx)\r
+       KERNEL16x1_2(xxx)\r
+       KERNEL16x1_3(xxx)\r
+       KERNEL16x1_4(xxx)\r
+\r
+       KERNEL16x1_1(xxx)\r
+       KERNEL16x1_2(xxx)\r
+       KERNEL16x1_3(xxx)\r
+       KERNEL16x1_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
+\r
+       salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_17:\r
+\r
+       KERNEL16x1_SUB(xxx)\r
+       addq    $1, BI\r
+       addq    $16, %rax\r
+       jl      .L1_17\r
+       ALIGN_4\r
+\r
+\r
+.L1_19:\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vfmaddps         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddps 4 * SIZE(CO1),%xmm0, %xmm7,%xmm7\r
+       vfmaddps 8 * SIZE(CO1),%xmm0, %xmm10,%xmm10\r
+       vfmaddps 12 * SIZE(CO1),%xmm0, %xmm13,%xmm13\r
+\r
+#else\r
+       vmulps  %xmm0, %xmm4,%xmm4\r
+       vmulps  %xmm0, %xmm7,%xmm7\r
+       vmulps  %xmm0, %xmm10,%xmm10\r
+       vmulps  %xmm0, %xmm13,%xmm13\r
+\r
+#endif\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm7 , 4 * SIZE(CO1)\r
+       vmovups %xmm10, 8 * SIZE(CO1)\r
+       vmovups %xmm13,12 * 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    (BO, BI, SIZE), BO\r
+        salq    $4, %rax                        // rax = rax * 16 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $16, KK                                \r
+#endif\r
+\r
+       addq    $16 * SIZE, CO1         # coffset += 16\r
+       decq    I                       # i --\r
+       jg      .L1_11\r
+       ALIGN_4 \r
+\r
+/**************************************************************************\r
+* Rest of M \r
+***************************************************************************/\r
+.L1_20:\r
+       // Test rest of M\r
+\r
+       testq   $15, M\r
+       jz      .L999\r
+\r
+       testq   $8, M           \r
+       jz      .L1_21pre\r
+       ALIGN_4\r
+\r
+/**************************************************************************/\r
+\r
+.L1_20_1:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $8, %rax        // number of values in A\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_20_6\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_20_2:\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL8x1_1(xxx)\r
+       KERNEL8x1_2(xxx)\r
+       KERNEL8x1_3(xxx)\r
+       KERNEL8x1_4(xxx)\r
+\r
+       KERNEL8x1_1(xxx)\r
+       KERNEL8x1_2(xxx)\r
+       KERNEL8x1_3(xxx)\r
+       KERNEL8x1_4(xxx)\r
+\r
+       je      .L1_20_6\r
+\r
+       KERNEL8x1_1(xxx)\r
+       KERNEL8x1_2(xxx)\r
+       KERNEL8x1_3(xxx)\r
+       KERNEL8x1_4(xxx)\r
+\r
+       KERNEL8x1_1(xxx)\r
+       KERNEL8x1_2(xxx)\r
+       KERNEL8x1_3(xxx)\r
+       KERNEL8x1_4(xxx)\r
+\r
+       je      .L1_20_6\r
+\r
+       jmp     .L1_20_2\r
+       ALIGN_4\r
+\r
+.L1_20_6:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_20_9\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_20_7:\r
+\r
+       KERNEL8x1_SUB(xxx)\r
+       addq    $1, BI\r
+       addq    $8, %rax\r
+       jl      .L1_20_7\r
+       ALIGN_4\r
+\r
+\r
+.L1_20_9:\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vfmaddps         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddps 4 * SIZE(CO1),%xmm0, %xmm7,%xmm7\r
+\r
+#else\r
+       vmulps  %xmm0, %xmm4,%xmm4\r
+       vmulps  %xmm0, %xmm7,%xmm7\r
+\r
+#endif\r
+\r
+       vmovups %xmm4 ,         (CO1)\r
+       vmovups %xmm7 , 4 * SIZE(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    (BO, BI, SIZE), BO         \r
+        salq    $3, %rax                        // rax = rax * 8 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $8, KK\r
+#endif\r
+\r
+       addq    $8 * SIZE, CO1          # coffset += 8\r
+       ALIGN_4\r
+       \r
+\r
+\r
+/**************************************************************************/\r
+\r
+.L1_21pre:\r
+\r
+       testq   $4, M           \r
+       jz      .L1_30\r
+       ALIGN_4\r
+\r
+.L1_21:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $4, %rax        // number of values in A\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_26\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_22:\r
+\r
+       prefetcht0      B_PR1(BO,BI, SIZE)\r
+       KERNEL4x1_1(xxx)\r
+       KERNEL4x1_2(xxx)\r
+       KERNEL4x1_3(xxx)\r
+       KERNEL4x1_4(xxx)\r
+\r
+       KERNEL4x1_1(xxx)\r
+       KERNEL4x1_2(xxx)\r
+       KERNEL4x1_3(xxx)\r
+       KERNEL4x1_4(xxx)\r
+\r
+       je      .L1_26\r
+\r
+       KERNEL4x1_1(xxx)\r
+       KERNEL4x1_2(xxx)\r
+       KERNEL4x1_3(xxx)\r
+       KERNEL4x1_4(xxx)\r
+\r
+       KERNEL4x1_1(xxx)\r
+       KERNEL4x1_2(xxx)\r
+       KERNEL4x1_3(xxx)\r
+       KERNEL4x1_4(xxx)\r
+\r
+       je      .L1_26\r
+\r
+       jmp     .L1_22\r
+       ALIGN_4\r
+\r
+.L1_26:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_29\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_27:\r
+\r
+       KERNEL4x1_SUB(xxx)\r
+       addq    $1, BI\r
+       addq    $4, %rax\r
+       jl      .L1_27\r
+       ALIGN_4\r
+\r
+\r
+.L1_29:\r
+\r
+       vbroadcastss    ALPHA, %xmm0\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vfmaddps         (CO1),%xmm0, %xmm4,%xmm4\r
+\r
+#else\r
+       vmulps  %xmm0, %xmm4,%xmm4\r
+\r
+#endif\r
+\r
+       vmovups %xmm4 ,         (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    (BO, BI, SIZE), BO         \r
+        salq    $2, %rax                        // rax = rax * 4 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $4, KK\r
+#endif\r
+\r
+       addq    $4 * SIZE, CO1          # coffset += 4\r
+       ALIGN_4\r
+       \r
+\r
+.L1_30:\r
+       testq   $2, M           \r
+       jz      .L1_40\r
+\r
+       ALIGN_4\r
+\r
+.L1_31:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO\r
+        salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $2, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_36\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_32:\r
+\r
+       prefetcht0      B_PR1(BO,BI,SIZE)\r
+       KERNEL2x1_1(xxx)\r
+       KERNEL2x1_2(xxx)\r
+       KERNEL2x1_3(xxx)\r
+       KERNEL2x1_4(xxx)\r
+\r
+       KERNEL2x1_1(xxx)\r
+       KERNEL2x1_2(xxx)\r
+       KERNEL2x1_3(xxx)\r
+       KERNEL2x1_4(xxx)\r
+\r
+       je      .L1_36\r
+\r
+       KERNEL2x1_1(xxx)\r
+       KERNEL2x1_2(xxx)\r
+       KERNEL2x1_3(xxx)\r
+       KERNEL2x1_4(xxx)\r
+\r
+       KERNEL2x1_1(xxx)\r
+       KERNEL2x1_2(xxx)\r
+       KERNEL2x1_3(xxx)\r
+       KERNEL2x1_4(xxx)\r
+\r
+       je      .L1_36\r
+\r
+       jmp     .L1_32\r
+       ALIGN_4\r
+\r
+.L1_36:\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#else\r
+        movq    KKK, %rax\r
+#endif\r
+\r
+       andq    $7, %rax                # if (k & 1)\r
+       je .L1_39\r
+\r
+       movq    %rax, BI                        //  Index for BO\r
+       \r
+       salq    $1, %rax                        // rax = rax *2 ; number of values\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_37:\r
+\r
+       KERNEL2x1_SUB(xxx)\r
+       addq    $1, BI\r
+       addq    $2, %rax\r
+       jl      .L1_37\r
+       ALIGN_4\r
+\r
+\r
+.L1_39:\r
+\r
+       vmovss  ALPHA, %xmm0\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vfmaddss         (CO1),%xmm0, %xmm4,%xmm4\r
+       vfmaddss 1 * SIZE(CO1),%xmm0, %xmm8,%xmm8\r
+\r
+#else\r
+       vmulss  %xmm0, %xmm4,%xmm4\r
+       vmulss  %xmm0, %xmm8,%xmm8\r
+\r
+#endif\r
+\r
+       vmovss  %xmm4 ,         (CO1)\r
+       vmovss  %xmm8 , 1 * SIZE(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    (BO, BI, SIZE), BO         \r
+        salq    $1, %rax                        // rax = rax * 2 ; number of values\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $2, KK\r
+#endif\r
+\r
+       addq    $2 * SIZE, CO1          # coffset += 2\r
+       ALIGN_4\r
+\r
+.L1_40:\r
+       testq   $1, M           \r
+       jz      .L999\r
+\r
+       ALIGN_4\r
+\r
+.L1_41:\r
+#if !defined(TRMMKERNEL) || \\r
+        (defined(TRMMKERNEL) &&  defined(LEFT) &&  defined(TRANSA)) || \\r
+        (defined(TRMMKERNEL) && !defined(LEFT) && !defined(TRANSA))\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+#else\r
+        movq    KK, %rax\r
+        leaq    BUFFER1, BO             // first buffer to BO\r
+        addq    $2 * SIZE, BO\r
+        movq    %rax, BI                        //  Index for BO\r
+        leaq    (BO, BI, SIZE), BO\r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif\r
+\r
+\r
+       vzeroall\r
+\r
+#ifndef TRMMKERNEL\r
+        movq    K, %rax\r
+#elif (defined(LEFT) && !defined(TRANSA)) || (!defined(LEFT) && defined(TRANSA))\r
+        movq    K, %rax\r
+        subq    KK, %rax\r
+        movq    %rax, KKK\r
+#else\r
+        movq    KK, %rax\r
+#ifdef LEFT\r
+        addq    $1, %rax        // number of values in AO\r
+#else\r
+        addq    $1, %rax        // number of values in BO\r
+#endif\r
+        movq    %rax, KKK\r
+#endif\r
+\r
+       andq    $-8, %rax\r
+       je      .L1_46\r
+       movq    %rax, BI                        //  Index for BO\r
+\r
+       leaq    (AO, %rax, SIZE), AO\r
+       leaq    (BO, BI, SIZE), BO\r
+       negq    BI\r
+       negq    %rax\r
+       ALIGN_4\r
+\r
+.L1_42:\r
+\r
+       KERNEL1x1_1(xxx)\r
+       KERNEL1x1_2(xxx)\r
+       KERNEL1x1_3(xxx)\r
+       KERNEL1x1_4(xxx)\r
+\r
+       KERNEL1x1_1(xxx)\r
+       KERNEL1x1_2(xxx)\r
+       KERNEL1x1_3(xxx)\r
+       KERNEL1x1_4(xxx)\r
+\r
+       je      .L1_46\r
+\r
+       KERNEL1x1_1(xxx)\r
+       KERNEL1x1_2(xxx)\r
+       KERNEL1x1_3(xxx)\r
+       KERNEL1x1_4(xxx)\r
+\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
+\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
+       addq    $1, BI\r
+       addq    $1, %rax\r
+       jl      .L1_47\r
+       ALIGN_4\r
+\r
+\r
+.L1_49:\r
+\r
+       vmovss  ALPHA, %xmm0\r
+\r
+#ifndef TRMMKERNEL\r
+\r
+       vfmaddss         (CO1),%xmm0, %xmm4,%xmm4\r
+\r
+#else\r
+       vmulss  %xmm0, %xmm4,%xmm4\r
+\r
+#endif\r
+\r
+       vmovss  %xmm4 ,         (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    (BO, BI, SIZE), BO         \r
+        leaq    (AO, %rax, SIZE), AO\r
+#endif  \r
+\r
+\r
+#if defined(TRMMKERNEL) && defined(LEFT)\r
+        addq    $1, KK\r
+#endif\r
+\r
+       addq    $1 * SIZE, CO1          # coffset += 1\r
+       ALIGN_4\r
+       \r
+\r
+.L999:\r
+       movq            SP, %rsp\r
+       movq       (%rsp), %rbx\r
+       movq      8(%rsp), %rbp\r
+       movq     16(%rsp), %r12\r
+       movq     24(%rsp), %r13\r
+       movq     32(%rsp), %r14\r
+       movq     40(%rsp), %r15\r
+\r
+#ifdef WINDOWS_ABI\r
+       movq     48(%rsp), %rdi\r
+       movq     56(%rsp), %rsi\r
+       movups   64(%rsp), %xmm6\r
+       movups   80(%rsp), %xmm7\r
+       movups   96(%rsp), %xmm8\r
+       movups  112(%rsp), %xmm9\r
+       movups  128(%rsp), %xmm10\r
+       movups  144(%rsp), %xmm11\r
+       movups  160(%rsp), %xmm12\r
+       movups  176(%rsp), %xmm13\r
+       movups  192(%rsp), %xmm14\r
+       movups  208(%rsp), %xmm15\r
+#endif\r
+\r
+       addq    $STACKSIZE, %rsp\r
+       ret\r
+\r
+       EPILOGUE\r
+\r
+\r
+\r
+\r
+\r
+#endif\r
diff --git a/param.h b/param.h
index adfe867..a833085 100644 (file)
--- a/param.h
+++ b/param.h
@@ -358,7 +358,7 @@ USE OF THIS SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF SUCH DAMAGE.
 #define XGEMM_DEFAULT_P  56
 
 #if defined(ARCH_X86_64)
-#define SGEMM_DEFAULT_Q 168
+#define SGEMM_DEFAULT_Q 192
 #define DGEMM_DEFAULT_Q 168
 #else
 #define SGEMM_DEFAULT_Q 224
@@ -369,7 +369,7 @@ USE OF THIS SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF SUCH DAMAGE.
 #define ZGEMM_DEFAULT_Q 224
 #define XGEMM_DEFAULT_Q 224
 
-#define SGEMM_DEFAULT_R sgemm_r
+#define SGEMM_DEFAULT_R 12288
 #define QGEMM_DEFAULT_R qgemm_r
 #define DGEMM_DEFAULT_R 12288
 #define CGEMM_DEFAULT_R cgemm_r