powerpc: Optimized SHGEMM kernel for POWER10
authorRajalakshmi Srinivasaraghavan <rajis@linux.ibm.com>
Fri, 26 Jun 2020 03:19:08 +0000 (22:19 -0500)
committerRajalakshmi Srinivasaraghavan <rajis@linux.ibm.com>
Fri, 26 Jun 2020 03:19:08 +0000 (22:19 -0500)
This patch introduces new optimized version of SHGEMM kernel
using power10 Matrix-Multiply Assist (MMA) feature introduced in
POWER ISA v3.1. This patch makes use of new POWER10 compute instructions
for matrix multiplication operation.

Tested on simulator and there are no new test failures.

kernel/generic/gemm_ncopy_16.c
kernel/generic/gemm_ncopy_8.c
kernel/generic/gemm_tcopy_16.c
kernel/generic/gemm_tcopy_8.c
kernel/power/KERNEL.POWER10
kernel/power/shgemm_kernel_power10.c [new file with mode: 0644]
param.h

index 5f91d0d..d3ab464 100644 (file)
 #include <stdio.h>
 #include "common.h"
 
-int CNAME(BLASLONG m, BLASLONG n, FLOAT *a, BLASLONG lda, FLOAT *b){
+int CNAME(BLASLONG m, BLASLONG n, IFLOAT *a, BLASLONG lda, IFLOAT *b){
   BLASLONG i, j;
 
-  FLOAT *aoffset;
-  FLOAT *aoffset1, *aoffset2, *aoffset3, *aoffset4;
-  FLOAT *aoffset5, *aoffset6, *aoffset7, *aoffset8;
-  FLOAT *aoffset9, *aoffset10, *aoffset11, *aoffset12;
-  FLOAT *aoffset13, *aoffset14, *aoffset15, *aoffset16;
-
-  FLOAT *boffset;
-  FLOAT ctemp01, ctemp02, ctemp03, ctemp04;
-  FLOAT ctemp05, ctemp06, ctemp07, ctemp08;
-  FLOAT ctemp09, ctemp10, ctemp11, ctemp12;
-  FLOAT ctemp13, ctemp14, ctemp15, ctemp16;
-  FLOAT ctemp17, ctemp18, ctemp19, ctemp20;
-  FLOAT ctemp21, ctemp22, ctemp23, ctemp24;
-  FLOAT ctemp25, ctemp26, ctemp27, ctemp28;
-  FLOAT ctemp29, ctemp30, ctemp31, ctemp32;
+  IFLOAT *aoffset;
+  IFLOAT *aoffset1, *aoffset2, *aoffset3, *aoffset4;
+  IFLOAT *aoffset5, *aoffset6, *aoffset7, *aoffset8;
+  IFLOAT *aoffset9, *aoffset10, *aoffset11, *aoffset12;
+  IFLOAT *aoffset13, *aoffset14, *aoffset15, *aoffset16;
+
+  IFLOAT *boffset;
+  IFLOAT ctemp01, ctemp02, ctemp03, ctemp04;
+  IFLOAT ctemp05, ctemp06, ctemp07, ctemp08;
+  IFLOAT ctemp09, ctemp10, ctemp11, ctemp12;
+  IFLOAT ctemp13, ctemp14, ctemp15, ctemp16;
+  IFLOAT ctemp17, ctemp18, ctemp19, ctemp20;
+  IFLOAT ctemp21, ctemp22, ctemp23, ctemp24;
+  IFLOAT ctemp25, ctemp26, ctemp27, ctemp28;
+  IFLOAT ctemp29, ctemp30, ctemp31, ctemp32;
 
   aoffset = a;
   boffset = b;
index a49a778..aaf9c89 100644 (file)
 #include <stdio.h>
 #include "common.h"
 
-int CNAME(BLASLONG m, BLASLONG n, FLOAT *a, BLASLONG lda, FLOAT *b){
+int CNAME(BLASLONG m, BLASLONG n, IFLOAT *a, BLASLONG lda, IFLOAT *b){
   BLASLONG i, j;
 
-  FLOAT *aoffset;
-  FLOAT *aoffset1, *aoffset2, *aoffset3, *aoffset4;
-  FLOAT *aoffset5, *aoffset6, *aoffset7, *aoffset8;
-
-  FLOAT *boffset;
-  FLOAT ctemp01, ctemp02, ctemp03, ctemp04;
-  FLOAT ctemp05, ctemp06, ctemp07, ctemp08;
-  FLOAT ctemp09, ctemp10, ctemp11, ctemp12;
-  FLOAT ctemp13, ctemp14, ctemp15, ctemp16;
-  FLOAT ctemp17, ctemp18, ctemp19, ctemp20;
-  FLOAT ctemp21, ctemp22, ctemp23, ctemp24;
-  FLOAT ctemp25, ctemp26, ctemp27, ctemp28;
-  FLOAT ctemp29, ctemp30, ctemp31, ctemp32;
-  FLOAT ctemp33, ctemp34, ctemp35, ctemp36;
-  FLOAT ctemp37, ctemp38, ctemp39, ctemp40;
-  FLOAT ctemp41, ctemp42, ctemp43, ctemp44;
-  FLOAT ctemp45, ctemp46, ctemp47, ctemp48;
-  FLOAT ctemp49, ctemp50, ctemp51, ctemp52;
-  FLOAT ctemp53, ctemp54, ctemp55, ctemp56;
-  FLOAT ctemp57, ctemp58, ctemp59, ctemp60;
-  FLOAT ctemp61, ctemp62, ctemp63, ctemp64;
+  IFLOAT *aoffset;
+  IFLOAT *aoffset1, *aoffset2, *aoffset3, *aoffset4;
+  IFLOAT *aoffset5, *aoffset6, *aoffset7, *aoffset8;
+
+  IFLOAT *boffset;
+  IFLOAT ctemp01, ctemp02, ctemp03, ctemp04;
+  IFLOAT ctemp05, ctemp06, ctemp07, ctemp08;
+  IFLOAT ctemp09, ctemp10, ctemp11, ctemp12;
+  IFLOAT ctemp13, ctemp14, ctemp15, ctemp16;
+  IFLOAT ctemp17, ctemp18, ctemp19, ctemp20;
+  IFLOAT ctemp21, ctemp22, ctemp23, ctemp24;
+  IFLOAT ctemp25, ctemp26, ctemp27, ctemp28;
+  IFLOAT ctemp29, ctemp30, ctemp31, ctemp32;
+  IFLOAT ctemp33, ctemp34, ctemp35, ctemp36;
+  IFLOAT ctemp37, ctemp38, ctemp39, ctemp40;
+  IFLOAT ctemp41, ctemp42, ctemp43, ctemp44;
+  IFLOAT ctemp45, ctemp46, ctemp47, ctemp48;
+  IFLOAT ctemp49, ctemp50, ctemp51, ctemp52;
+  IFLOAT ctemp53, ctemp54, ctemp55, ctemp56;
+  IFLOAT ctemp57, ctemp58, ctemp59, ctemp60;
+  IFLOAT ctemp61, ctemp62, ctemp63, ctemp64;
 
 
   aoffset = a;
index 56268eb..1425259 100644 (file)
 #include <stdio.h>
 #include "common.h"
 
-int CNAME(BLASLONG m, BLASLONG n, FLOAT *a, BLASLONG lda, FLOAT *b){
+int CNAME(BLASLONG m, BLASLONG n, IFLOAT *a, BLASLONG lda, IFLOAT *b){
 
   BLASLONG i, j;
 
-  FLOAT *aoffset;
-  FLOAT *aoffset1, *aoffset2;
-  FLOAT *boffset;
-
-  FLOAT ctemp01, ctemp02, ctemp03, ctemp04;
-  FLOAT ctemp05, ctemp06, ctemp07, ctemp08;
-  FLOAT ctemp09, ctemp10, ctemp11, ctemp12;
-  FLOAT ctemp13, ctemp14, ctemp15, ctemp16;
-  FLOAT ctemp17, ctemp18, ctemp19, ctemp20;
-  FLOAT ctemp21, ctemp22, ctemp23, ctemp24;
-  FLOAT ctemp25, ctemp26, ctemp27, ctemp28;
-  FLOAT ctemp29, ctemp30, ctemp31, ctemp32;
+  IFLOAT *aoffset;
+  IFLOAT *aoffset1, *aoffset2;
+  IFLOAT *boffset;
+
+  IFLOAT ctemp01, ctemp02, ctemp03, ctemp04;
+  IFLOAT ctemp05, ctemp06, ctemp07, ctemp08;
+  IFLOAT ctemp09, ctemp10, ctemp11, ctemp12;
+  IFLOAT ctemp13, ctemp14, ctemp15, ctemp16;
+  IFLOAT ctemp17, ctemp18, ctemp19, ctemp20;
+  IFLOAT ctemp21, ctemp22, ctemp23, ctemp24;
+  IFLOAT ctemp25, ctemp26, ctemp27, ctemp28;
+  IFLOAT ctemp29, ctemp30, ctemp31, ctemp32;
 
   aoffset   = a;
   boffset   = b;
index b28f3d2..3e8a839 100644 (file)
 #include <stdio.h>
 #include "common.h"
 
-int CNAME(BLASLONG m, BLASLONG n, FLOAT *a, BLASLONG lda, FLOAT *b){
+int CNAME(BLASLONG m, BLASLONG n, IFLOAT *a, BLASLONG lda, IFLOAT *b){
 
   BLASLONG i, j;
 
-  FLOAT *aoffset;
-  FLOAT *aoffset1, *aoffset2, *aoffset3, *aoffset4;
-  FLOAT *aoffset5, *aoffset6, *aoffset7, *aoffset8;
-
-  FLOAT *boffset,  *boffset1, *boffset2, *boffset3, *boffset4;
-
-  FLOAT ctemp01, ctemp02, ctemp03, ctemp04;
-  FLOAT ctemp05, ctemp06, ctemp07, ctemp08;
-  FLOAT ctemp09, ctemp10, ctemp11, ctemp12;
-  FLOAT ctemp13, ctemp14, ctemp15, ctemp16;
-  FLOAT ctemp17, ctemp18, ctemp19, ctemp20;
-  FLOAT ctemp21, ctemp22, ctemp23, ctemp24;
-  FLOAT ctemp25, ctemp26, ctemp27, ctemp28;
-  FLOAT ctemp29, ctemp30, ctemp31, ctemp32;
-  FLOAT ctemp33, ctemp34, ctemp35, ctemp36;
-  FLOAT ctemp37, ctemp38, ctemp39, ctemp40;
-  FLOAT ctemp41, ctemp42, ctemp43, ctemp44;
-  FLOAT ctemp45, ctemp46, ctemp47, ctemp48;
-  FLOAT ctemp49, ctemp50, ctemp51, ctemp52;
-  FLOAT ctemp53, ctemp54, ctemp55, ctemp56;
-  FLOAT ctemp57, ctemp58, ctemp59, ctemp60;
-  FLOAT ctemp61, ctemp62, ctemp63, ctemp64;
+  IFLOAT *aoffset;
+  IFLOAT *aoffset1, *aoffset2, *aoffset3, *aoffset4;
+  IFLOAT *aoffset5, *aoffset6, *aoffset7, *aoffset8;
+
+  IFLOAT *boffset,  *boffset1, *boffset2, *boffset3, *boffset4;
+
+  IFLOAT ctemp01, ctemp02, ctemp03, ctemp04;
+  IFLOAT ctemp05, ctemp06, ctemp07, ctemp08;
+  IFLOAT ctemp09, ctemp10, ctemp11, ctemp12;
+  IFLOAT ctemp13, ctemp14, ctemp15, ctemp16;
+  IFLOAT ctemp17, ctemp18, ctemp19, ctemp20;
+  IFLOAT ctemp21, ctemp22, ctemp23, ctemp24;
+  IFLOAT ctemp25, ctemp26, ctemp27, ctemp28;
+  IFLOAT ctemp29, ctemp30, ctemp31, ctemp32;
+  IFLOAT ctemp33, ctemp34, ctemp35, ctemp36;
+  IFLOAT ctemp37, ctemp38, ctemp39, ctemp40;
+  IFLOAT ctemp41, ctemp42, ctemp43, ctemp44;
+  IFLOAT ctemp45, ctemp46, ctemp47, ctemp48;
+  IFLOAT ctemp49, ctemp50, ctemp51, ctemp52;
+  IFLOAT ctemp53, ctemp54, ctemp55, ctemp56;
+  IFLOAT ctemp57, ctemp58, ctemp59, ctemp60;
+  IFLOAT ctemp61, ctemp62, ctemp63, ctemp64;
 
   aoffset   = a;
   boffset   = b;
index 4fc7190..39f5e94 100644 (file)
@@ -7,6 +7,17 @@ else
 #CGEMM_BETA = ../generic/zgemm_beta.c
 #ZGEMM_BETA = ../generic/zgemm_beta.c
 
+SHGEMM_BETA = ../generic/gemm_beta.c
+SHGEMMKERNEL    = shgemm_kernel_power10.c
+SHGEMMINCOPY    = ../generic/gemm_ncopy_16.c
+SHGEMMITCOPY    = ../generic/gemm_tcopy_16.c
+SHGEMMONCOPY    = ../generic/gemm_ncopy_8.c
+SHGEMMOTCOPY    = ../generic/gemm_tcopy_8.c
+SHGEMMINCOPYOBJ =  shgemm_incopy$(TSUFFIX).$(SUFFIX)
+SHGEMMITCOPYOBJ =  shgemm_itcopy$(TSUFFIX).$(SUFFIX)
+SHGEMMONCOPYOBJ =  shgemm_oncopy$(TSUFFIX).$(SUFFIX)
+SHGEMMOTCOPYOBJ =  shgemm_otcopy$(TSUFFIX).$(SUFFIX)
+
 STRMMKERNEL    = sgemm_kernel_power10.c
 DTRMMKERNEL    = dgemm_kernel_power10.c
 CTRMMKERNEL    = cgemm_kernel_power10.S
diff --git a/kernel/power/shgemm_kernel_power10.c b/kernel/power/shgemm_kernel_power10.c
new file mode 100644 (file)
index 0000000..7455f92
--- /dev/null
@@ -0,0 +1,1044 @@
+/*********************************************************************************
+Copyright (c) 2020, The OpenBLAS Project
+All rights reserved.
+Redistribution and use in source and binary forms, with or without
+modification, are permitted provided that the following conditions are
+met:
+1. Redistributions of source code must retain the above copyright
+notice, this list of conditions and the following disclaimer.
+2. Redistributions in binary form must reproduce the above copyright
+notice, this list of conditions and the following disclaimer in
+the documentation and/or other materials provided with the
+distribution.
+3. Neither the name of the OpenBLAS project nor the names of
+its contributors may be used to endorse or promote products
+derived from this software without specific prior written permission.
+THIS SOFTWARE IS PROVIDED BY THE COPYRIGHT HOLDERS AND CONTRIBUTORS "AS IS"
+AND ANY EXPRESS OR IMPLIED WARRANTIES, INCLUDING, BUT NOT LIMITED TO, THE
+IMPLIED WARRANTIES OF MERCHANTABILITY AND FITNESS FOR A PARTICULAR PURPOSE
+ARE DISCLAIMED. IN NO EVENT SHALL THE OPENBLAS PROJECT OR CONTRIBUTORS BE
+LIABLE FOR ANY DIRECT, INDIRECT, INCIDENTAL, SPECIAL, EXEMPLARY, OR CONSEQUENTIAL
+DAMAGES (INCLUDING, BUT NOT LIMITED TO, PROCUREMENT OF SUBSTITUTE GOODS OR
+SERVICES; LOSS OF USE, DATA, OR PROFITS; OR BUSINESS INTERRUPTION) HOWEVER
+CAUSED AND ON ANY THEORY OF LIABILITY, WHETHER IN CONTRACT, STRICT LIABILITY,
+OR TORT (INCLUDING NEGLIGENCE OR OTHERWISE) ARISING IN ANY WAY OUT OF THE
+USE OF THIS SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF SUCH DAMAGE.
+**********************************************************************************/
+#include "common.h"
+#include <altivec.h>
+#if defined(HALF) && defined(HALFCONVERSION)
+static float
+bfloat16tof32 (bfloat16 f16)
+{
+  float result = 0;
+  unsigned short *q = (unsigned short *) (&result);
+#if __BYTE_ORDER__ == __ORDER_BIG_ENDIAN__
+  q[0] = f16;
+#else
+  q[1] = f16;
+#endif
+  return result;
+}
+
+#define BF16TOF32(x) (bfloat16tof32(x))
+#else
+#define BF16TOF32(x) x
+#endif
+
+typedef unsigned char vec_t __attribute__ ((vector_size (16)));
+typedef FLOAT v4sf_t __attribute__ ((vector_size (16)));
+typedef FLOAT v2sf_t __attribute__ ((vector_size (8)));
+
+vector char mask =
+  { 0x0, 0x1, 0x8, 0x9, 0x2, 0x3, 0xa, 0xb, 0x4, 0x5, 0xc, 0xd, 0x6, 0x7, 0xe,
+  0xf
+};
+
+/* 
+ * BFLOAT16 xvbf16ger2pp instruction needs 4×2 matrix of
+ * bfloat16 floating-point values as input. Hence this
+ * merging is needed on A and B matrices. 
+ */
+#define MERGE_ROW(x) vec_perm(x, x, mask)
+#define MERGE_HIGH(x, y) (vec_t) vec_mergeh ((vector short)x, (vector short)y)
+#define MERGE_LOW(x, y) (vec_t) vec_mergel ((vector short)x, (vector short)y)
+
+#define SAVE_ACC(ACC, J)  \
+         __builtin_mma_disassemble_acc (result, ACC); \
+         rowC = (v4sf_t *) &CO[0* ldc+J]; \
+          rowC[0] += result[3] * alpha; \
+          rowC = (v4sf_t *) &CO[1*ldc+J]; \
+          rowC[0] += result[2] * alpha; \
+          rowC = (v4sf_t *) &CO[2*ldc+J]; \
+          rowC[0] += result[1] * alpha; \
+          rowC = (v4sf_t *) &CO[3*ldc+J]; \
+          rowC[0] += result[0] * alpha;
+#define SAVE_ACC1(ACC, J)  \
+         __builtin_mma_disassemble_acc (result, ACC); \
+         rowC = (v4sf_t *) &CO[4* ldc+J]; \
+          rowC[0] += result[3] * alpha; \
+          rowC = (v4sf_t *) &CO[5*ldc+J]; \
+          rowC[0] += result[2] * alpha; \
+          rowC = (v4sf_t *) &CO[6*ldc+J]; \
+          rowC[0] += result[1] * alpha; \
+          rowC = (v4sf_t *) &CO[7*ldc+J]; \
+          rowC[0] += result[0] * alpha;
+#define  SAVE4x2_ACC(ACC, J)  \
+         __builtin_mma_disassemble_acc (result, ACC); \
+         rowC = (v2sf_t *) &CO[0* ldc+J]; \
+          rowC[0] += result[6] * alpha; \
+         rowC = (v2sf_t *) &CO[1* ldc+J]; \
+          rowC[0] += result[4] * alpha; \
+         rowC = (v2sf_t *) &CO[2* ldc+J]; \
+          rowC[0] += result[2] * alpha; \
+         rowC = (v2sf_t *) &CO[3* ldc+J]; \
+          rowC[0] += result[0] * alpha;
+#define  SAVE4x2_ACC1(ACC, J)  \
+         __builtin_mma_disassemble_acc (result, ACC); \
+         rowC = (v2sf_t *) &CO[4* ldc+J]; \
+          rowC[0] += result[6] * alpha; \
+         rowC = (v2sf_t *) &CO[5* ldc+J]; \
+          rowC[0] += result[4] * alpha; \
+         rowC = (v2sf_t *) &CO[6* ldc+J]; \
+          rowC[0] += result[2] * alpha; \
+         rowC = (v2sf_t *) &CO[7* ldc+J]; \
+          rowC[0] += result[0] * alpha;
+
+#define MMA __builtin_mma_xvbf16ger2pp
+
+#define  SAVE2x4_ACC(ACC, J)  \
+         __builtin_mma_disassemble_acc (result, ACC); \
+         rowC = (v4sf_t *) &CO[0* ldc+J]; \
+          rowC[0] += result[3] * alpha; \
+         rowC = (v4sf_t *) &CO[1* ldc+J]; \
+          rowC[0] += result[2] * alpha;
+
+#define SET_ACC_ZERO4() \
+         __builtin_mma_xxsetaccz (&acc0); \
+         __builtin_mma_xxsetaccz (&acc1); \
+         __builtin_mma_xxsetaccz (&acc2); \
+         __builtin_mma_xxsetaccz (&acc3);
+
+#define SET_ACC_ZERO8() \
+         __builtin_mma_xxsetaccz (&acc0); \
+         __builtin_mma_xxsetaccz (&acc1); \
+         __builtin_mma_xxsetaccz (&acc2); \
+         __builtin_mma_xxsetaccz (&acc3); \
+         __builtin_mma_xxsetaccz (&acc4); \
+         __builtin_mma_xxsetaccz (&acc5); \
+         __builtin_mma_xxsetaccz (&acc6); \
+         __builtin_mma_xxsetaccz (&acc7);
+
+#define PREFETCH1(x, y) asm volatile ("dcbt %0, %1" : : "r" (x), "b" (y) : "memory");
+/*************************************************************************************
+* SHGEMM Kernel
+*************************************************************************************/
+int
+CNAME (BLASLONG m, BLASLONG n, BLASLONG k, FLOAT alpha, IFLOAT * A,
+       IFLOAT * B, FLOAT * C, BLASLONG ldc)
+{
+  BLASLONG N = n;
+  BLASLONG i1;
+  v4sf_t valpha = { alpha, alpha, alpha, alpha };
+  vector short vzero = { 0, 0, 0, 0, 0, 0, 0, 0 };
+  N = n >> 3;
+  /* Loop for n >= 8. */
+  for (i1 = 0; i1 < N; i1++)
+    {
+      BLASLONG i, j;
+      FLOAT *CO;
+      IFLOAT *AO;
+      CO = C;
+      C += ldc << 3;
+      AO = A;
+      PREFETCH1 (A, 128);
+      PREFETCH1 (A, 256);
+      i = m >> 4;
+      /* Loop for m >= 16. */
+      for (j = 0; j < i; j++)
+       {
+         IFLOAT *BO = B;
+         v4sf_t *rowC;
+         v4sf_t result[4];
+         __vector_quad acc0, acc1, acc2, acc3, acc4, acc5, acc6, acc7;
+         SET_ACC_ZERO8 ();
+         BLASLONG l = 0;
+         for (l = 0; l < k / 2; l++)
+           {
+             vec_t *rowA = (vec_t *) & (AO[l << 5]);
+             vec_t *rowB = (vec_t *) & (BO[l << 4]);
+             vec_t rowB_h = MERGE_HIGH (rowB[0], rowB[1]);
+             vec_t rowB_l = MERGE_LOW (rowB[0], rowB[1]);
+             vec_t rowA_h = MERGE_HIGH (rowA[0], rowA[2]);
+             vec_t rowA_l = MERGE_LOW (rowA[0], rowA[2]);
+             vec_t rowA2_h = MERGE_HIGH (rowA[1], rowA[3]);
+             vec_t rowA2_l = MERGE_LOW (rowA[1], rowA[3]);
+             MMA (&acc0, rowB_h, rowA_h);
+             MMA (&acc1, rowB_l, rowA_h);
+             MMA (&acc2, rowB_h, rowA_l);
+             MMA (&acc3, rowB_l, rowA_l);
+             MMA (&acc4, rowB_h, rowA2_h);
+             MMA (&acc5, rowB_l, rowA2_h);
+             MMA (&acc6, rowB_h, rowA2_l);
+             MMA (&acc7, rowB_l, rowA2_l);
+           }
+         if (k % 2 == 1)
+           {
+             if (k > 1)
+               l = (k / 2) << 4;
+             vec_t *rowA = (vec_t *) & (AO[l << 1]);
+             vec_t *rowB = (vec_t *) & (BO[l]);
+             vec_t rowB_h = MERGE_HIGH (rowB[0], rowB[1]);
+             vec_t rowB_l = MERGE_LOW (rowB[0], rowB[1]);
+             vec_t rowA_h = MERGE_HIGH (rowA[0], vzero);
+             vec_t rowA_l = MERGE_LOW (rowA[0], vzero);
+             vec_t rowA2_h = MERGE_HIGH (rowA[1], vzero);
+             vec_t rowA2_l = MERGE_LOW (rowA[1], vzero);
+             MMA (&acc0, rowB_h, rowA_h);
+             MMA (&acc1, rowB_l, rowA_h);
+             MMA (&acc2, rowB_h, rowA_l);
+             MMA (&acc3, rowB_l, rowA_l);
+             MMA (&acc4, rowB_h, rowA2_h);
+             MMA (&acc5, rowB_l, rowA2_h);
+             MMA (&acc6, rowB_h, rowA2_l);
+             MMA (&acc7, rowB_l, rowA2_l);
+           }
+         SAVE_ACC (&acc0, 0);
+         SAVE_ACC (&acc2, 4);
+         SAVE_ACC1 (&acc1, 0);
+         SAVE_ACC1 (&acc3, 4);
+         SAVE_ACC (&acc4, 8);
+         SAVE_ACC (&acc6, 12);
+         SAVE_ACC1 (&acc5, 8);
+         SAVE_ACC1 (&acc7, 12);
+         CO += 16;
+
+         AO += (k << 4);
+         BO += (k << 3);
+       }
+      i = (m & 15) >> 3;
+      /* Loop for m >= 8. */
+      for (j = 0; j < i; j++)
+       {
+         IFLOAT *BO = B;
+         v4sf_t *rowC;
+         v4sf_t result[4];
+         __vector_quad acc0, acc1, acc2, acc3;
+         SET_ACC_ZERO4 ();
+         BLASLONG l = 0;
+         for (l = 0; l < k / 2; l++)
+           {
+             vec_t *rowA = (vec_t *) & (AO[l << 4]);
+             vec_t *rowB = (vec_t *) & (BO[l << 4]);
+             vec_t rowB_h = MERGE_HIGH (rowB[0], rowB[1]);
+             vec_t rowB_l = MERGE_LOW (rowB[0], rowB[1]);
+             vec_t rowA_h = MERGE_HIGH (rowA[0], rowA[1]);
+             vec_t rowA_l = MERGE_LOW (rowA[0], rowA[1]);
+             MMA (&acc0, rowB_h, rowA_h);
+             MMA (&acc1, rowB_l, rowA_h);
+             MMA (&acc2, rowB_h, rowA_l);
+             MMA (&acc3, rowB_l, rowA_l);
+           }
+         if (k % 2 == 1)
+           {
+             if (k > 1)
+               l = (k / 2) << 4;
+             vec_t *rowA = (vec_t *) & (AO[l]);
+             vec_t *rowB = (vec_t *) & (BO[l]);
+             vec_t rowB_h = MERGE_HIGH (rowB[0], rowB[1]);
+             vec_t rowB_l = MERGE_LOW (rowB[0], rowB[1]);
+             vec_t rowA_h = MERGE_HIGH (rowA[0], vzero);
+             vec_t rowA_l = MERGE_LOW (rowA[0], vzero);
+             MMA (&acc0, rowB_h, rowA_h);
+             MMA (&acc1, rowB_l, rowA_h);
+             MMA (&acc2, rowB_h, rowA_l);
+             MMA (&acc3, rowB_l, rowA_l);
+           }
+         SAVE_ACC (&acc0, 0);
+         SAVE_ACC (&acc2, 4);
+         SAVE_ACC1 (&acc1, 0);
+         SAVE_ACC1 (&acc3, 4);
+         CO += 8;
+         AO += (k << 3);
+         BO += (k << 3);
+       }
+      i = (m & 7) >> 2;
+      /* Loop for m >= 4. */
+      for (j = 0; j < i; j++)
+       {
+         IFLOAT *BO = B;
+         v4sf_t *rowC;
+         v4sf_t result[4];
+         __vector_quad acc0, acc1;
+         __builtin_mma_xxsetaccz (&acc0);
+         __builtin_mma_xxsetaccz (&acc1);
+         BLASLONG l = 0;
+         for (l = 0; l < k / 2; l++)
+           {
+             vec_t *rowA = (vec_t *) & (AO[l << 3]);
+             vec_t *rowB = (vec_t *) & (BO[l << 4]);
+             vec_t rowA_mrg = MERGE_ROW (rowA[0]);
+             MMA (&acc0, MERGE_HIGH (rowB[0], rowB[1]), rowA_mrg);
+             MMA (&acc1, MERGE_LOW (rowB[0], rowB[1]), rowA_mrg);
+           }
+         if (k % 2 == 1)
+           {
+             if (k > 1)
+               l = (k / 2) << 3;
+             vector short rowA =
+               { AO[l + 0], 0, AO[l + 1], 0, AO[l + 2], 0, AO[l + 3], 0 };
+             vec_t *rowB = (vec_t *) & (BO[l << 1]);
+             MMA (&acc0, MERGE_HIGH (rowB[0], rowB[1]), (vec_t) rowA);
+             MMA (&acc1, MERGE_LOW (rowB[0], rowB[1]), (vec_t) rowA);
+           }
+         SAVE_ACC (&acc0, 0);
+         SAVE_ACC1 (&acc1, 0);
+         CO += 4;
+         AO += (k << 2);
+         BO += (k << 3);
+       }
+      i = (m & 3) >> 1;
+      /* Loop for m >= 2. */
+      for (j = 0; j < i; j++)
+       {
+         IFLOAT *BO = B;
+         v2sf_t *rowC;
+         v2sf_t result[8];
+         __vector_quad acc0, acc1;
+         __builtin_mma_xxsetaccz (&acc0);
+         __builtin_mma_xxsetaccz (&acc1);
+         BLASLONG l = 0;
+         for (l = 0; l < k / 2; l++)
+           {
+             vector short rowA =
+               { AO[(l << 2) + 0], AO[(l << 2) + 2], AO[(l << 2) + 1],
+               AO[(l << 2) + 3],
+               0, 0, 0, 0
+             };
+             vec_t *rowB = (vec_t *) & (BO[l << 4]);
+             MMA (&acc0, MERGE_HIGH (rowB[0], rowB[1]), (vec_t) rowA);
+             MMA (&acc1, MERGE_LOW (rowB[0], rowB[1]), (vec_t) rowA);
+           }
+         if (k % 2 == 1)
+           {
+             if (k > 1)
+               l = (k / 2) << 2;
+             vector short rowA = { AO[l + 0], 0, AO[l + 1], 0, 0, 0, 0, 0 };
+             vec_t *rowB = (vec_t *) & (BO[(l << 2)]);
+             MMA (&acc0, MERGE_HIGH (rowB[0], rowB[1]), (vec_t) rowA);
+             MMA (&acc1, MERGE_LOW (rowB[0], rowB[1]), (vec_t) rowA);
+           }
+         SAVE4x2_ACC (&acc0, 0);
+         SAVE4x2_ACC1 (&acc1, 0);
+         CO += 2;
+         AO += (k << 1);
+         BO += (k << 3);
+       }
+      i = (m & 1) >> 0;
+      /* Loop for m = 1. */
+      for (j = 0; j < i; j++)
+       {
+         IFLOAT *BO = B;
+         BLASLONG l = 0;
+         v4sf_t t = { 0, 0, 0, 0 }
+         , t1 =
+         {
+         0, 0, 0, 0};
+         for (l = 0; l < k; l++)
+           {
+             v4sf_t rowA =
+               { BF16TOF32 (AO[l]), BF16TOF32 (AO[l]), BF16TOF32 (AO[l]),
+               BF16TOF32 (AO[l])
+             };
+             v4sf_t rowB =
+               { BF16TOF32 (BO[l << 3]), BF16TOF32 (BO[(l << 3) + 1]),
+               BF16TOF32 (BO[(l << 3) + 2]),
+               BF16TOF32 (BO[(l << 3) + 3])
+             };
+             v4sf_t rowB1 =
+               { BF16TOF32 (BO[(l << 3) + 4]), BF16TOF32 (BO[(l << 3) + 5]),
+               BF16TOF32 (BO[(l << 3) + 6]),
+               BF16TOF32 (BO[(l << 3) + 7])
+             };
+             t += rowA * rowB;
+             t1 += rowA * rowB1;
+           }
+         t = t * valpha;
+         t1 = t1 * valpha;
+         CO[0 * ldc] += t[0];
+         CO[1 * ldc] += t[1];
+         CO[2 * ldc] += t[2];
+         CO[3 * ldc] += t[3];
+         CO[4 * ldc] += t1[0];
+         CO[5 * ldc] += t1[1];
+         CO[6 * ldc] += t1[2];
+         CO[7 * ldc] += t1[3];
+         CO += 1;
+         AO += k;
+         BO += (k << 3);
+       }
+      B += k << 3;
+    }
+  N = (n & 7) >> 2;
+  /* Loop for n >= 4. */
+  for (i1 = 0; i1 < N; i1++)
+    {
+      BLASLONG i, j;
+      FLOAT *CO;
+      IFLOAT *AO;
+      CO = C;
+      C += ldc << 2;
+      AO = A;
+      i = m >> 5;
+      /* Loop for m >= 32. */
+      for (j = 0; j < i; j++)
+       {
+         IFLOAT *BO = B;
+         IFLOAT *A1 = AO + (16 * k);
+         v4sf_t *rowC;
+         v4sf_t result[4];
+         __vector_quad acc0, acc1, acc2, acc3, acc4, acc5, acc6, acc7;
+         SET_ACC_ZERO8 ();
+         BLASLONG l = 0;
+         for (l = 0; l < k / 2; l++)
+           {
+             vec_t *rowA = (vec_t *) & (AO[l << 5]);
+             vec_t *rowA1 = (vec_t *) & (A1[l << 5]);
+             vec_t *rowB = (vec_t *) & (BO[l << 3]);
+             vec_t rowB_mrg = MERGE_ROW (rowB[0]);
+             MMA (&acc0, rowB_mrg, MERGE_HIGH (rowA[0], rowA[2]));
+             MMA (&acc1, rowB_mrg, MERGE_LOW (rowA[0], rowA[2]));
+             MMA (&acc2, rowB_mrg, MERGE_HIGH (rowA[1], rowA[3]));
+             MMA (&acc3, rowB_mrg, MERGE_LOW (rowA[1], rowA[3]));
+             MMA (&acc4, rowB_mrg, MERGE_HIGH (rowA1[0], rowA1[2]));
+             MMA (&acc5, rowB_mrg, MERGE_LOW (rowA1[0], rowA1[2]));
+             MMA (&acc6, rowB_mrg, MERGE_HIGH (rowA1[1], rowA1[3]));
+             MMA (&acc7, rowB_mrg, MERGE_LOW (rowA1[1], rowA1[3]));
+           }
+         if (k % 2 == 1)
+           {
+             if (k > 1)
+               l = (k / 2) << 3;
+             vec_t *rowA = (vec_t *) & (AO[(l << 2)]);
+             vec_t *rowA1 = (vec_t *) & (A1[(l << 2)]);
+             vec_t *rowB = (vec_t *) & (BO[l]);
+             vec_t rowB_mrg = MERGE_ROW (rowB[0]);
+             MMA (&acc0, rowB_mrg, MERGE_HIGH (rowA[0], vzero));
+             MMA (&acc1, rowB_mrg, MERGE_LOW (rowA[0], vzero));
+             MMA (&acc2, rowB_mrg, MERGE_HIGH (rowA[1], vzero));
+             MMA (&acc3, rowB_mrg, MERGE_LOW (rowA[1], vzero));
+             MMA (&acc4, rowB_mrg, MERGE_HIGH (rowA1[0], vzero));
+             MMA (&acc5, rowB_mrg, MERGE_LOW (rowA1[0], vzero));
+             MMA (&acc6, rowB_mrg, MERGE_HIGH (rowA1[1], vzero));
+             MMA (&acc7, rowB_mrg, MERGE_LOW (rowA1[1], vzero));
+           }
+
+         SAVE_ACC (&acc0, 0);
+         SAVE_ACC (&acc1, 4);
+         CO += 8;
+         SAVE_ACC (&acc2, 0);
+         SAVE_ACC (&acc3, 4);
+         CO += 8;
+         SAVE_ACC (&acc4, 0);
+         SAVE_ACC (&acc5, 4);
+         CO += 8;
+         SAVE_ACC (&acc6, 0);
+         SAVE_ACC (&acc7, 4);
+         CO += 8;
+         AO += k << 5;
+         BO += k << 2;
+       }
+      i = (m & 31) >> 4;
+      /* Loop for m >= 16. */
+      for (j = 0; j < i; j++)
+       {
+         IFLOAT *BO = B;
+         v4sf_t *rowC;
+         v4sf_t result[4];
+         __vector_quad acc0, acc1, acc2, acc3;
+         SET_ACC_ZERO4 ();
+         BLASLONG l = 0;
+         for (l = 0; l < k / 2; l++)
+           {
+             vec_t *rowA = (vec_t *) & (AO[l << 5]);
+             vec_t *rowB = (vec_t *) & (BO[l << 3]);
+             vec_t rowB_mrg = MERGE_ROW (rowB[0]);
+             MMA (&acc0, rowB_mrg, MERGE_HIGH (rowA[0], rowA[2]));
+             MMA (&acc1, rowB_mrg, MERGE_LOW (rowA[0], rowA[2]));
+             MMA (&acc2, rowB_mrg, MERGE_HIGH (rowA[1], rowA[3]));
+             MMA (&acc3, rowB_mrg, MERGE_LOW (rowA[1], rowA[3]));
+           }
+         if (k % 2 == 1)
+           {
+             if (k > 1)
+               l = (k / 2) << 3;
+             vec_t *rowA = (vec_t *) & (AO[(l << 2)]);
+             vec_t *rowB = (vec_t *) & (BO[l]);
+             vec_t rowB_mrg = MERGE_ROW (rowB[0]);
+             MMA (&acc0, rowB_mrg, MERGE_HIGH (rowA[0], vzero));
+             MMA (&acc1, rowB_mrg, MERGE_LOW (rowA[0], vzero));
+             MMA (&acc2, rowB_mrg, MERGE_HIGH (rowA[1], vzero));
+             MMA (&acc3, rowB_mrg, MERGE_LOW (rowA[1], vzero));
+           }
+
+         SAVE_ACC (&acc0, 0);
+         SAVE_ACC (&acc1, 4);
+         CO += 8;
+         SAVE_ACC (&acc2, 0);
+         SAVE_ACC (&acc3, 4);
+         CO += 8;
+         AO += k << 4;
+         BO += k << 2;
+       }
+      i = (m & 15) >> 3;
+      /* Loop for m >= 8. */
+      for (j = 0; j < i; j++)
+       {
+         IFLOAT *BO = B;
+         v4sf_t *rowC;
+         v4sf_t result[4];
+         __vector_quad acc0, acc1;
+         __builtin_mma_xxsetaccz (&acc0);
+         __builtin_mma_xxsetaccz (&acc1);
+         BLASLONG l = 0;
+         for (l = 0; l < k / 2; l++)
+           {
+             vec_t *rowA = (vec_t *) & (AO[l << 4]);
+             vec_t *rowB = (vec_t *) & (BO[l << 3]);
+             vec_t rowB_mrg = MERGE_ROW (rowB[0]);
+             MMA (&acc0, rowB_mrg, MERGE_HIGH (rowA[0], rowA[1]));
+             MMA (&acc1, rowB_mrg, MERGE_LOW (rowA[0], rowA[1]));
+           }
+         if (k % 2 == 1)
+           {
+             if (k > 1)
+               l = (k / 2) << 3;
+             vec_t *rowA = (vec_t *) & (AO[l << 1]);
+             vec_t *rowB = (vec_t *) & (BO[l]);
+             vec_t rowB_mrg = MERGE_ROW (rowB[0]);
+             MMA (&acc0, rowB_mrg, MERGE_HIGH (rowA[0], vzero));
+             MMA (&acc1, rowB_mrg, MERGE_LOW (rowA[0], vzero));
+           }
+         SAVE_ACC (&acc0, 0);
+         SAVE_ACC (&acc1, 4);
+         CO += 8;
+         AO += k << 3;
+         BO += k << 2;
+       }
+      i = (m & 7) >> 2;
+      /* Loop for m >= 4. */
+      for (j = 0; j < i; j++)
+       {
+         IFLOAT *BO = B;
+         v4sf_t *rowC;
+         __vector_quad acc0;
+         v4sf_t result[4];
+         BLASLONG l = 0;
+         __builtin_mma_xxsetaccz (&acc0);
+         for (l = 0; l < k / 2; l++)
+           {
+             vec_t *rowA = (vec_t *) & (AO[l << 3]);
+             vec_t *rowB = (vec_t *) & (BO[l << 3]);
+             MMA (&acc0, MERGE_ROW (rowB[0]), MERGE_ROW (rowA[0]));
+           }
+         if (k % 2 == 1)
+           {
+             if (k > 1)
+               l = (k / 2) << 3;
+             vector short rowA =
+               { AO[l], 0, AO[l + 1], 0, AO[l + 2], 0, AO[l + 3], 0 };
+             vec_t *rowB = (vec_t *) & (BO[l]);
+             MMA (&acc0, MERGE_ROW (rowB[0]), (vec_t) rowA);
+           }
+         SAVE_ACC (&acc0, 0);
+         CO += 4;
+         AO += k << 2;
+         BO += k << 2;
+       }
+      i = (m & 3) >> 1;
+      /* Loop for m >= 2. */
+      for (j = 0; j < i; j++)
+       {
+         IFLOAT *BO = B;
+         v2sf_t *rowC;
+         v2sf_t result[8];
+         __vector_quad acc0;
+         BLASLONG l = 0;
+         __builtin_mma_xxsetaccz (&acc0);
+         for (l = 0; l < k / 2; l++)
+           {
+             vector short rowA =
+               { AO[(l << 2) + 0], AO[(l << 2) + 2], AO[(l << 2) + 1],
+               AO[(l << 2) + 3],
+               0, 0, 0, 0
+             };
+             vec_t *rowB = (vec_t *) & (BO[l << 3]);
+             MMA (&acc0, MERGE_ROW (rowB[0]), (vec_t) rowA);
+           }
+         if (k % 2 == 1)
+           {
+             if (k > 1)
+               l = (k / 2) << 2;
+             vector short rowA = { AO[l], 0, AO[l + 1], 0, 0, 0, 0, 0 };
+             vec_t *rowB = (vec_t *) & (BO[l << 1]);
+             MMA (&acc0, MERGE_ROW (rowB[0]), (vec_t) rowA);
+           }
+         SAVE4x2_ACC (&acc0, 0);
+         CO += 2;
+         AO += k << 1;
+         BO += k << 2;
+       }
+      i = (m & 1) >> 0;
+      /* Loop for m = 1. */
+      for (j = 0; j < i; j++)
+       {
+         IFLOAT *BO = B;
+         BLASLONG l = 0;
+         v4sf_t t = { 0, 0, 0, 0 };
+         for (l = 0; l < k; l++)
+           {
+             v4sf_t rowA =
+               { BF16TOF32 (AO[l]), BF16TOF32 (AO[l]), BF16TOF32 (AO[l]),
+               BF16TOF32 (AO[l])
+             };
+             v4sf_t rowB =
+               { BF16TOF32 (BO[l << 2]), BF16TOF32 (BO[(l << 2) + 1]),
+               BF16TOF32 (BO[(l << 2) + 2]),
+               BF16TOF32 (BO[(l << 2) + 3])
+             };
+             t += rowA * rowB;
+           }
+         t = t * valpha;
+         CO[0 * ldc] += t[0];
+         CO[1 * ldc] += t[1];
+         CO[2 * ldc] += t[2];
+         CO[3 * ldc] += t[3];
+         AO += k;
+         BO += (k << 2);
+         CO += 1;
+       }
+
+      B += k << 2;
+    }
+  N = (n & 3) >> 1;
+  /* Loop for n >= 2. */
+  for (i1 = 0; i1 < N; i1++)
+    {
+      BLASLONG i, j;
+      FLOAT *CO;
+      IFLOAT *AO;
+      CO = C;
+      C += ldc << 1;
+      AO = A;
+      i = m >> 5;
+      /* Loop for m >= 32. */
+      for (j = 0; j < i; j++)
+       {
+         IFLOAT *BO = B;
+         v4sf_t *rowC;
+         v4sf_t result[4];
+         IFLOAT *A1 = AO + (16 * k);
+         __vector_quad acc0, acc1, acc2, acc3, acc4, acc5, acc6, acc7;
+         SET_ACC_ZERO8 ();
+         BLASLONG l = 0;
+         for (l = 0; l < k / 2; l++)
+           {
+             vector short rowB =
+               { BO[(l << 2) + 0], BO[(l << 2) + 2], BO[(l << 2) + 1],
+               BO[(l << 2) + 3],
+               0, 0, 0, 0
+             };
+             vec_t *rowA = (vec_t *) & (AO[l << 5]);
+             vec_t *rowA1 = (vec_t *) & (A1[l << 5]);
+             MMA (&acc0, (vec_t) rowB, MERGE_HIGH (rowA[0], rowA[2]));
+             MMA (&acc1, (vec_t) rowB, MERGE_LOW (rowA[0], rowA[2]));
+             MMA (&acc2, (vec_t) rowB, MERGE_HIGH (rowA[1], rowA[3]));
+             MMA (&acc3, (vec_t) rowB, MERGE_LOW (rowA[1], rowA[3]));
+             MMA (&acc4, (vec_t) rowB, MERGE_HIGH (rowA1[0], rowA1[2]));
+             MMA (&acc5, (vec_t) rowB, MERGE_LOW (rowA1[0], rowA1[2]));
+             MMA (&acc6, (vec_t) rowB, MERGE_HIGH (rowA1[1], rowA1[3]));
+             MMA (&acc7, (vec_t) rowB, MERGE_LOW (rowA1[1], rowA1[3]));
+           }
+         if (k % 2 == 1)
+           {
+             if (k > 1)
+               l = (k / 2) << 2;
+             vector short rowB = { BO[l + 0], 0, BO[l + 1], 0, 0, 0, 0, 0 };
+             vec_t *rowA = (vec_t *) & (AO[l << 3]);
+             vec_t *rowA1 = (vec_t *) & (A1[l << 3]);
+             MMA (&acc0, (vec_t) rowB, MERGE_HIGH (rowA[0], rowA[2]));
+             MMA (&acc1, (vec_t) rowB, MERGE_LOW (rowA[0], rowA[2]));
+             MMA (&acc2, (vec_t) rowB, MERGE_HIGH (rowA[1], rowA[3]));
+             MMA (&acc3, (vec_t) rowB, MERGE_LOW (rowA[1], rowA[3]));
+             MMA (&acc4, (vec_t) rowB, MERGE_HIGH (rowA1[0], rowA1[2]));
+             MMA (&acc5, (vec_t) rowB, MERGE_LOW (rowA1[0], rowA1[2]));
+             MMA (&acc6, (vec_t) rowB, MERGE_HIGH (rowA1[1], rowA1[3]));
+             MMA (&acc7, (vec_t) rowB, MERGE_LOW (rowA1[1], rowA1[3]));
+           }
+         SAVE2x4_ACC (&acc0, 0);
+         SAVE2x4_ACC (&acc1, 4);
+         SAVE2x4_ACC (&acc2, 8);
+         SAVE2x4_ACC (&acc3, 12);
+         CO += 16;
+         SAVE2x4_ACC (&acc4, 0);
+         SAVE2x4_ACC (&acc5, 4);
+         SAVE2x4_ACC (&acc6, 8);
+         SAVE2x4_ACC (&acc7, 12);
+         CO += 16;
+         AO += k << 5;
+         BO += k << 1;
+       }
+      i = (m & 31) >> 4;
+      /* Loop for m >= 16. */
+      for (j = 0; j < i; j++)
+       {
+         IFLOAT *BO = B;
+         v4sf_t *rowC;
+         v4sf_t result[4];
+         __vector_quad acc0, acc1, acc2, acc3;
+         SET_ACC_ZERO4 ();
+         BLASLONG l = 0;
+         for (l = 0; l < k / 2; l++)
+           {
+             vector short rowB =
+               { BO[(l << 2) + 0], BO[(l << 2) + 2], BO[(l << 2) + 1],
+               BO[(l << 2) + 3],
+               0, 0, 0, 0
+             };
+             vec_t *rowA = (vec_t *) & (AO[l << 5]);
+             MMA (&acc0, (vec_t) rowB, MERGE_HIGH (rowA[0], rowA[2]));
+             MMA (&acc1, (vec_t) rowB, MERGE_LOW (rowA[0], rowA[2]));
+             MMA (&acc2, (vec_t) rowB, MERGE_HIGH (rowA[1], rowA[3]));
+             MMA (&acc3, (vec_t) rowB, MERGE_LOW (rowA[1], rowA[3]));
+           }
+         if (k % 2 == 1)
+           {
+             if (k > 1)
+               l = (k / 2) << 2;
+             vector short rowB = { BO[l + 0], 0, BO[l + 1], 0, 0, 0, 0, 0 };
+             vec_t *rowA = (vec_t *) & (AO[l << 3]);
+             MMA (&acc0, (vec_t) rowB, MERGE_HIGH (rowA[0], rowA[2]));
+             MMA (&acc1, (vec_t) rowB, MERGE_LOW (rowA[0], rowA[2]));
+             MMA (&acc2, (vec_t) rowB, MERGE_HIGH (rowA[1], rowA[3]));
+             MMA (&acc3, (vec_t) rowB, MERGE_LOW (rowA[1], rowA[3]));
+           }
+         SAVE2x4_ACC (&acc0, 0);
+         SAVE2x4_ACC (&acc1, 4);
+         SAVE2x4_ACC (&acc2, 8);
+         SAVE2x4_ACC (&acc3, 12);
+         CO += 16;
+         AO += k << 4;
+         BO += k << 1;
+       }
+      i = (m & 15) >> 3;
+      /* Loop for m >= 8. */
+      for (j = 0; j < i; j++)
+       {
+         IFLOAT *BO = B;
+         v4sf_t *rowC;
+         v4sf_t result[4];
+         __vector_quad acc0, acc1;
+         __builtin_mma_xxsetaccz (&acc0);
+         __builtin_mma_xxsetaccz (&acc1);
+         BLASLONG l = 0;
+         for (l = 0; l < k / 2; l++)
+           {
+             vector short rowB =
+               { BO[(l << 2) + 0], BO[(l << 2) + 2], BO[(l << 2) + 1],
+               BO[(l << 2) + 3],
+               0, 0, 0, 0
+             };
+             vec_t *rowA = (vec_t *) & (AO[l << 4]);
+             MMA (&acc0, (vec_t) rowB, MERGE_HIGH (rowA[0], rowA[1]));
+             MMA (&acc1, (vec_t) rowB, MERGE_LOW (rowA[0], rowA[1]));
+           }
+         if (k % 2 == 1)
+           {
+             if (k > 1)
+               l = (k / 2) << 2;
+             vector short rowB = { BO[l + 0], 0, BO[l + 1], 0, 0, 0, 0, 0 };
+             vec_t *rowA = (vec_t *) & (AO[(l << 2)]);
+             MMA (&acc0, (vec_t) rowB, MERGE_HIGH (rowA[0], rowA[1]));
+             MMA (&acc1, (vec_t) rowB, MERGE_LOW (rowA[0], rowA[1]));
+           }
+         SAVE2x4_ACC (&acc0, 0);
+         SAVE2x4_ACC (&acc1, 4);
+         CO += 8;
+         AO += k << 3;
+         BO += k << 1;
+       }
+      i = (m & 7) >> 2;
+      /* Loop for m >= 4. */
+      for (j = 0; j < i; j++)
+       {
+         IFLOAT *BO = B;
+         v4sf_t *rowC;
+         v4sf_t result[4];
+         __vector_quad acc0;
+         __builtin_mma_xxsetaccz (&acc0);
+         BLASLONG l = 0;
+         for (l = 0; l < k / 2; l++)
+           {
+             vector short rowB =
+               { BO[(l << 2) + 0], BO[(l << 2) + 2], BO[(l << 2) + 1],
+               BO[(l << 2) + 3],
+               0, 0, 0, 0
+             };
+             vec_t *rowA = (vec_t *) & (AO[l << 3]);
+             MMA (&acc0, (vec_t) rowB, MERGE_ROW (rowA[0]));
+           }
+         if (k % 2 == 1)
+           {
+             if (k > 1)
+               l = (k / 2) << 2;
+             vector short rowB = { BO[l + 0], 0, BO[l + 1], 0, 0, 0, 0, 0 };
+             vec_t *rowA = (vec_t *) & (AO[l << 1]);
+             MMA (&acc0, (vec_t) rowB, MERGE_ROW (rowA[0]));
+           }
+         SAVE2x4_ACC (&acc0, 0);
+         CO += 4;
+         AO += k << 2;
+         BO += k << 1;
+       }
+      i = (m & 3) >> 1;
+      /* Loop for m >= 2. */
+      for (j = 0; j < i; j++)
+       {
+         IFLOAT *BO = B;
+         BLASLONG l = 0;
+         v4sf_t t = { 0, 0, 0, 0 };
+         for (l = 0; l < (k << 1); l += 2)
+           {
+             v4sf_t rowA =
+               { BF16TOF32 (AO[l]), BF16TOF32 (AO[l]), BF16TOF32 (AO[l + 1]),
+               BF16TOF32 (AO[l + 1])
+             };
+             v4sf_t rowB =
+               { BF16TOF32 (BO[l]), BF16TOF32 (BO[l + 1]), BF16TOF32 (BO[l]),
+               BF16TOF32 (BO[l + 1])
+             };
+             t += rowA * rowB;
+           }
+         t = t * valpha;
+         CO[0 * ldc] += t[0];
+         CO[1 * ldc] += t[1];
+         CO[0 * ldc + 1] += t[2];
+         CO[1 * ldc + 1] += t[3];
+         CO += 2;
+         AO += k << 1;
+         BO += k << 1;
+       }
+      i = (m & 1) >> 0;
+      /* Loop for m = 1. */
+      for (j = 0; j < i; j++)
+       {
+         IFLOAT *BO = B;
+         BLASLONG l = 0;
+         v4sf_t t = { 0, 0, 0, 0 };
+         for (l = 0; l < k; l++)
+           {
+             v4sf_t rowA = { BF16TOF32 (AO[l]), BF16TOF32 (AO[l]), 0, 0 };
+             v4sf_t rowB =
+               { BF16TOF32 (BO[l << 1]), BF16TOF32 (BO[(l << 1) + 1]), 0,
+               0
+             };
+             t += rowA * rowB;
+           }
+         CO[0 * ldc] += t[0] * alpha;
+         CO[1 * ldc] += t[1] * alpha;
+         CO += 1;
+         AO += k;
+         BO += k << 1;
+       }
+      B += k << 1;
+    }
+  N = (n & 1) >> 0;
+  /* Loop for n = 1. */
+  for (i1 = 0; i1 < N; i1++)
+    {
+      BLASLONG i;
+      FLOAT *CO;
+      IFLOAT *AO;
+      CO = C;
+      C += ldc;
+      AO = A;
+      i = m;
+      /* Loop for m >= 16. */
+      while (i >= 16)
+       {
+         IFLOAT *BO = B;
+         BLASLONG l = 0;
+         v4sf_t t = { 0, 0, 0, 0 };
+         v4sf_t t1 = { 0, 0, 0, 0 };
+         v4sf_t t2 = { 0, 0, 0, 0 };
+         v4sf_t t3 = { 0, 0, 0, 0 };
+         for (l = 0; l < k; l++)
+           {
+             v4sf_t rowB =
+               { BF16TOF32 (BO[l]), BF16TOF32 (BO[l]), BF16TOF32 (BO[l]),
+               BF16TOF32 (BO[l])
+             };
+             v4sf_t rowA =
+               { BF16TOF32 (AO[l << 4]), BF16TOF32 (AO[(l << 4) + 1]),
+               BF16TOF32 (AO[(l << 4) + 2]),
+               BF16TOF32 (AO[(l << 4) + 3])
+             };
+             v4sf_t rowA1 =
+               { BF16TOF32 (AO[(l << 4) + 4]), BF16TOF32 (AO[(l << 4) + 5]),
+               BF16TOF32 (AO[(l << 4) + 6]),
+               BF16TOF32 (AO[(l << 4) + 7])
+             };
+             v4sf_t rowA2 =
+               { BF16TOF32 (AO[(l << 4) + 8]), BF16TOF32 (AO[(l << 4) + 9]),
+               BF16TOF32 (AO[(l << 4) + 10]),
+               BF16TOF32 (AO[(l << 4) + 11])
+             };
+             v4sf_t rowA3 = { BF16TOF32 (AO[(l << 4) + 12]),
+               BF16TOF32 (AO[(l << 4) + 13]), BF16TOF32 (AO[(l << 4) + 14]),
+               BF16TOF32 (AO[(l << 4) + 15])
+             };
+             t += rowA * rowB;
+             t1 += rowA1 * rowB;
+             t2 += rowA2 * rowB;
+             t3 += rowA3 * rowB;
+           }
+         t = t * valpha;
+         t1 = t1 * valpha;
+         t2 = t2 * valpha;
+         t3 = t3 * valpha;
+         CO[0] += t[0];
+         CO[1] += t[1];
+         CO[2] += t[2];
+         CO[3] += t[3];
+         CO[4] += t1[0];
+         CO[5] += t1[1];
+         CO[6] += t1[2];
+         CO[7] += t1[3];
+         CO[8] += t2[0];
+         CO[9] += t2[1];
+         CO[10] += t2[2];
+         CO[11] += t2[3];
+         CO[12] += t3[0];
+         CO[13] += t3[1];
+         CO[14] += t3[2];
+         CO[15] += t3[3];
+         AO += k << 4;
+         BO += k;
+         CO += 16;
+         i -= 16;
+       }
+      /* Loop for m >= 8. */
+      while (i >= 8)
+       {
+         IFLOAT *BO = B;
+         BLASLONG l = 0;
+         v4sf_t t = { 0, 0, 0, 0 };
+         v4sf_t t1 = { 0, 0, 0, 0 };
+         for (l = 0; l < k; l++)
+           {
+             v4sf_t rowB =
+               { BF16TOF32 (BO[l]), BF16TOF32 (BO[l]), BF16TOF32 (BO[l]),
+               BF16TOF32 (BO[l])
+             };
+             v4sf_t rowA =
+               { BF16TOF32 (AO[l << 3]), BF16TOF32 (AO[(l << 3) + 1]),
+               BF16TOF32 (AO[(l << 3) + 2]),
+               BF16TOF32 (AO[(l << 3) + 3])
+             };
+             v4sf_t rowA1 =
+               { BF16TOF32 (AO[(l << 3) + 4]), BF16TOF32 (AO[(l << 3) + 5]),
+               BF16TOF32 (AO[(l << 3) + 6]),
+               BF16TOF32 (AO[(l << 3) + 7])
+             };
+             t += rowA * rowB;
+             t1 += rowA1 * rowB;
+           }
+         t = t * valpha;
+         t1 = t1 * valpha;
+         CO[0] += t[0];
+         CO[1] += t[1];
+         CO[2] += t[2];
+         CO[3] += t[3];
+         CO[4] += t1[0];
+         CO[5] += t1[1];
+         CO[6] += t1[2];
+         CO[7] += t1[3];
+         AO += k << 3;
+         BO += k;
+         CO += 8;
+         i -= 8;
+       }
+      /* Loop for m >= 4. */
+      while (i >= 4)
+       {
+         IFLOAT *BO = B;
+         BLASLONG l = 0;
+         v4sf_t t = { 0, 0, 0, 0 };
+         for (l = 0; l < k; l++)
+           {
+             v4sf_t rowB =
+               { BF16TOF32 (BO[l]), BF16TOF32 (BO[l]), BF16TOF32 (BO[l]),
+               BF16TOF32 (BO[l])
+             };
+             v4sf_t rowA =
+               { BF16TOF32 (AO[l << 2]), BF16TOF32 (AO[(l << 2) + 1]),
+               BF16TOF32 (AO[(l << 2) + 2]),
+               BF16TOF32 (AO[(l << 2) + 3])
+             };
+             t += rowA * rowB;
+           }
+         t = t * valpha;
+         CO[0] += t[0];
+         CO[1] += t[1];
+         CO[2] += t[2];
+         CO[3] += t[3];
+         AO += k << 2;
+         BO += k;
+         CO += 4;
+         i -= 4;
+       }
+      /* Loop for m >= 2. */
+      while (i >= 2)
+       {
+         IFLOAT *BO = B;
+         BLASLONG l = 0;
+         v4sf_t t = { 0, 0, 0, 0 };
+         for (l = 0; l < k; l++)
+           {
+             v4sf_t rowB = { BF16TOF32 (BO[l]), BF16TOF32 (BO[l]), 0, 0 };
+             v4sf_t rowA =
+               { BF16TOF32 (AO[l << 1]), BF16TOF32 (AO[(l << 1) + 1]), 0,
+               0
+             };
+             t += rowA * rowB;
+           }
+         t = t * valpha;
+         CO[0] += t[0];
+         CO[1] += t[1];
+         AO += k << 1;
+         BO += k;
+         CO += 2;
+         i -= 2;
+       }
+      /* Loop for m = 1. */
+      while (i >= 1)
+       {
+         IFLOAT *BO = B;
+         BLASLONG l = 0;
+         FLOAT t = 0;
+         for (l = 0; l < k; l++)
+           {
+             t += BF16TOF32 (AO[l]) * BF16TOF32 (BO[l]);
+           }
+         AO += k;
+         BO += k;
+         CO[0] += t * alpha;
+         CO += 1;
+         i -= 1;
+       }
+
+      B += k;
+    }
+
+  return 0;
+}
diff --git a/param.h b/param.h
index fd0ea75..e8cf53f 100644 (file)
--- a/param.h
+++ b/param.h
@@ -2297,6 +2297,19 @@ USE OF THIS SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF SUCH DAMAGE.
 
 #endif
 
+#if defined(POWER10)
+#undef SHGEMM_DEFAULT_UNROLL_N
+#undef SHGEMM_DEFAULT_UNROLL_M
+#undef SHGEMM_DEFAULT_P
+#undef SHGEMM_DEFAULT_R
+#undef SHGEMM_DEFAULT_Q
+#define SHGEMM_DEFAULT_UNROLL_M 16
+#define SHGEMM_DEFAULT_UNROLL_N 8
+#define SHGEMM_DEFAULT_P 832
+#define SHGEMM_DEFAULT_Q 1026
+#define SHGEMM_DEFAULT_R 4096
+#endif
+
 #if defined(SPARC) && defined(V7)
 
 #define SNUMOPT                4