Add optimized *copy versions for skylakex
authorArjan van de Ven <arjan@linux.intel.com>
Sat, 6 Oct 2018 13:47:20 +0000 (13:47 +0000)
committerArjan van de Ven <arjan@linux.intel.com>
Sat, 6 Oct 2018 13:51:44 +0000 (13:51 +0000)
Add optimized n/t copy versions for skylakex; in the patch the
tcopy is also rewritten using intrinsics; the ncopy file
will be worked on in a future commit

kernel/x86_64/KERNEL.SKYLAKEX
kernel/x86_64/dgemm_ncopy_8_skylakex.c [new file with mode: 0644]
kernel/x86_64/dgemm_tcopy_8_skylakex.c [new file with mode: 0644]

index ba14951..e34cda7 100644 (file)
@@ -4,10 +4,10 @@ SGEMMKERNEL    =  sgemm_kernel_16x4_skylakex.S
 
 DGEMMKERNEL    =  dgemm_kernel_4x8_skylakex.c
 
-DGEMMINCOPY    =  ../generic/gemm_ncopy_8.c
-DGEMMITCOPY    =  ../generic/gemm_tcopy_8.c
-DGEMMONCOPY    =  ../generic/gemm_ncopy_8.c
-DGEMMOTCOPY    =  ../generic/gemm_tcopy_8.c
+DGEMMINCOPY    =  dgemm_ncopy_8_skylakex.c
+DGEMMITCOPY    =  dgemm_tcopy_8_skylakex.c
+DGEMMONCOPY    =  dgemm_ncopy_8_skylakex.c
+DGEMMOTCOPY    =  dgemm_tcopy_8_skylakex.c
 
 SGEMM_BETA = ../generic/gemm_beta.c
 DGEMM_BETA = ../generic/gemm_beta.c
diff --git a/kernel/x86_64/dgemm_ncopy_8_skylakex.c b/kernel/x86_64/dgemm_ncopy_8_skylakex.c
new file mode 100644 (file)
index 0000000..3bc55b8
--- /dev/null
@@ -0,0 +1,422 @@
+/*********************************************************************/
+/* Copyright 2009, 2010 The University of Texas at Austin.           */
+/* 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.                              */
+/*                                                                   */
+/*    THIS  SOFTWARE IS PROVIDED  BY THE  UNIVERSITY OF  TEXAS AT    */
+/*    AUSTIN  ``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 UNIVERSITY  OF TEXAS AT    */
+/*    AUSTIN 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.                                    */
+/*                                                                   */
+/* The views and conclusions contained in the software and           */
+/* documentation are those of the authors and should not be          */
+/* interpreted as representing official policies, either expressed   */
+/* or implied, of The University of Texas at Austin.                 */
+/*********************************************************************/
+
+#include <stdio.h>
+#include "common.h"
+
+int CNAME(BLASLONG m, BLASLONG n, FLOAT * __restrict a, BLASLONG lda, FLOAT * __restrict 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;
+
+
+  aoffset = a;
+  boffset = b;
+
+  j = (n >> 3);
+  if (j > 0){
+    do{
+      aoffset1  = aoffset;
+      aoffset2  = aoffset1 + lda;
+      aoffset3  = aoffset2 + lda;
+      aoffset4  = aoffset3 + lda;
+      aoffset5  = aoffset4 + lda;
+      aoffset6  = aoffset5 + lda;
+      aoffset7  = aoffset6 + lda;
+      aoffset8  = aoffset7 + lda;
+      aoffset += 8 * lda;
+
+      i = (m >> 3);
+      if (i > 0){
+       do{
+         ctemp01 = *(aoffset1 +  0);
+         ctemp02 = *(aoffset1 +  1);
+         ctemp03 = *(aoffset1 +  2);
+         ctemp04 = *(aoffset1 +  3);
+         ctemp05 = *(aoffset1 +  4);
+         ctemp06 = *(aoffset1 +  5);
+         ctemp07 = *(aoffset1 +  6);
+         ctemp08 = *(aoffset1 +  7);
+
+         ctemp09 = *(aoffset2 +  0);
+         ctemp10 = *(aoffset2 +  1);
+         ctemp11 = *(aoffset2 +  2);
+         ctemp12 = *(aoffset2 +  3);
+         ctemp13 = *(aoffset2 +  4);
+         ctemp14 = *(aoffset2 +  5);
+         ctemp15 = *(aoffset2 +  6);
+         ctemp16 = *(aoffset2 +  7);
+
+         ctemp17 = *(aoffset3 +  0);
+         ctemp18 = *(aoffset3 +  1);
+         ctemp19 = *(aoffset3 +  2);
+         ctemp20 = *(aoffset3 +  3);
+         ctemp21 = *(aoffset3 +  4);
+         ctemp22 = *(aoffset3 +  5);
+         ctemp23 = *(aoffset3 +  6);
+         ctemp24 = *(aoffset3 +  7);
+
+         ctemp25 = *(aoffset4 +  0);
+         ctemp26 = *(aoffset4 +  1);
+         ctemp27 = *(aoffset4 +  2);
+         ctemp28 = *(aoffset4 +  3);
+         ctemp29 = *(aoffset4 +  4);
+         ctemp30 = *(aoffset4 +  5);
+         ctemp31 = *(aoffset4 +  6);
+         ctemp32 = *(aoffset4 +  7);
+
+         ctemp33 = *(aoffset5 +  0);
+         ctemp34 = *(aoffset5 +  1);
+         ctemp35 = *(aoffset5 +  2);
+         ctemp36 = *(aoffset5 +  3);
+         ctemp37 = *(aoffset5 +  4);
+         ctemp38 = *(aoffset5 +  5);
+         ctemp39 = *(aoffset5 +  6);
+         ctemp40 = *(aoffset5 +  7);
+
+         ctemp41 = *(aoffset6 +  0);
+         ctemp42 = *(aoffset6 +  1);
+         ctemp43 = *(aoffset6 +  2);
+         ctemp44 = *(aoffset6 +  3);
+         ctemp45 = *(aoffset6 +  4);
+         ctemp46 = *(aoffset6 +  5);
+         ctemp47 = *(aoffset6 +  6);
+         ctemp48 = *(aoffset6 +  7);
+
+         ctemp49 = *(aoffset7 +  0);
+         ctemp50 = *(aoffset7 +  1);
+         ctemp51 = *(aoffset7 +  2);
+         ctemp52 = *(aoffset7 +  3);
+         ctemp53 = *(aoffset7 +  4);
+         ctemp54 = *(aoffset7 +  5);
+         ctemp55 = *(aoffset7 +  6);
+         ctemp56 = *(aoffset7 +  7);
+
+         ctemp57 = *(aoffset8 +  0);
+         ctemp58 = *(aoffset8 +  1);
+         ctemp59 = *(aoffset8 +  2);
+         ctemp60 = *(aoffset8 +  3);
+         ctemp61 = *(aoffset8 +  4);
+         ctemp62 = *(aoffset8 +  5);
+         ctemp63 = *(aoffset8 +  6);
+         ctemp64 = *(aoffset8 +  7);
+
+         *(boffset +  0) = ctemp01;
+         *(boffset +  1) = ctemp09;
+         *(boffset +  2) = ctemp17;
+         *(boffset +  3) = ctemp25;
+         *(boffset +  4) = ctemp33;
+         *(boffset +  5) = ctemp41;
+         *(boffset +  6) = ctemp49;
+         *(boffset +  7) = ctemp57;
+
+         *(boffset +  8) = ctemp02;
+         *(boffset +  9) = ctemp10;
+         *(boffset + 10) = ctemp18;
+         *(boffset + 11) = ctemp26;
+         *(boffset + 12) = ctemp34;
+         *(boffset + 13) = ctemp42;
+         *(boffset + 14) = ctemp50;
+         *(boffset + 15) = ctemp58;
+
+         *(boffset + 16) = ctemp03;
+         *(boffset + 17) = ctemp11;
+         *(boffset + 18) = ctemp19;
+         *(boffset + 19) = ctemp27;
+         *(boffset + 20) = ctemp35;
+         *(boffset + 21) = ctemp43;
+         *(boffset + 22) = ctemp51;
+         *(boffset + 23) = ctemp59;
+
+         *(boffset + 24) = ctemp04;
+         *(boffset + 25) = ctemp12;
+         *(boffset + 26) = ctemp20;
+         *(boffset + 27) = ctemp28;
+         *(boffset + 28) = ctemp36;
+         *(boffset + 29) = ctemp44;
+         *(boffset + 30) = ctemp52;
+         *(boffset + 31) = ctemp60;
+
+         *(boffset + 32) = ctemp05;
+         *(boffset + 33) = ctemp13;
+         *(boffset + 34) = ctemp21;
+         *(boffset + 35) = ctemp29;
+         *(boffset + 36) = ctemp37;
+         *(boffset + 37) = ctemp45;
+         *(boffset + 38) = ctemp53;
+         *(boffset + 39) = ctemp61;
+
+         *(boffset + 40) = ctemp06;
+         *(boffset + 41) = ctemp14;
+         *(boffset + 42) = ctemp22;
+         *(boffset + 43) = ctemp30;
+         *(boffset + 44) = ctemp38;
+         *(boffset + 45) = ctemp46;
+         *(boffset + 46) = ctemp54;
+         *(boffset + 47) = ctemp62;
+
+         *(boffset + 48) = ctemp07;
+         *(boffset + 49) = ctemp15;
+         *(boffset + 50) = ctemp23;
+         *(boffset + 51) = ctemp31;
+         *(boffset + 52) = ctemp39;
+         *(boffset + 53) = ctemp47;
+         *(boffset + 54) = ctemp55;
+         *(boffset + 55) = ctemp63;
+
+         *(boffset + 56) = ctemp08;
+         *(boffset + 57) = ctemp16;
+         *(boffset + 58) = ctemp24;
+         *(boffset + 59) = ctemp32;
+         *(boffset + 60) = ctemp40;
+         *(boffset + 61) = ctemp48;
+         *(boffset + 62) = ctemp56;
+         *(boffset + 63) = ctemp64;
+
+         aoffset1 +=  8;
+         aoffset2 +=  8;
+         aoffset3 +=  8;
+         aoffset4 +=  8;
+         aoffset5 +=  8;
+         aoffset6 +=  8;
+         aoffset7 +=  8;
+         aoffset8 +=  8;
+         boffset  += 64;
+         i --;
+       }while(i > 0);
+      }
+
+      i = (m & 7);
+      if (i > 0){
+       do{
+         ctemp01 = *(aoffset1 +  0);
+         ctemp09 = *(aoffset2 +  0);
+         ctemp17 = *(aoffset3 +  0);
+         ctemp25 = *(aoffset4 +  0);
+         ctemp33 = *(aoffset5 +  0);
+         ctemp41 = *(aoffset6 +  0);
+         ctemp49 = *(aoffset7 +  0);
+         ctemp57 = *(aoffset8 +  0);
+
+         *(boffset +  0) = ctemp01;
+         *(boffset +  1) = ctemp09;
+         *(boffset +  2) = ctemp17;
+         *(boffset +  3) = ctemp25;
+         *(boffset +  4) = ctemp33;
+         *(boffset +  5) = ctemp41;
+         *(boffset +  6) = ctemp49;
+         *(boffset +  7) = ctemp57;
+
+         aoffset1 ++;
+         aoffset2 ++;
+         aoffset3 ++;
+         aoffset4 ++;
+         aoffset5 ++;
+         aoffset6 ++;
+         aoffset7 ++;
+         aoffset8 ++;
+
+         boffset += 8;
+         i --;
+       }while(i > 0);
+      }
+      j--;
+    }while(j > 0);
+  } /* end of if(j > 0) */
+
+  if (n & 4){
+    aoffset1  = aoffset;
+    aoffset2  = aoffset1 + lda;
+    aoffset3  = aoffset2 + lda;
+    aoffset4  = aoffset3 + lda;
+    aoffset += 4 * lda;
+
+    i = (m >> 2);
+    if (i > 0){
+      do{
+       ctemp01 = *(aoffset1 +  0);
+       ctemp02 = *(aoffset1 +  1);
+       ctemp03 = *(aoffset1 +  2);
+       ctemp04 = *(aoffset1 +  3);
+
+       ctemp05 = *(aoffset2 +  0);
+       ctemp06 = *(aoffset2 +  1);
+       ctemp07 = *(aoffset2 +  2);
+       ctemp08 = *(aoffset2 +  3);
+
+       ctemp09 = *(aoffset3 +  0);
+       ctemp10 = *(aoffset3 +  1);
+       ctemp11 = *(aoffset3 +  2);
+       ctemp12 = *(aoffset3 +  3);
+
+       ctemp13 = *(aoffset4 +  0);
+       ctemp14 = *(aoffset4 +  1);
+       ctemp15 = *(aoffset4 +  2);
+       ctemp16 = *(aoffset4 +  3);
+
+       *(boffset +  0) = ctemp01;
+       *(boffset +  1) = ctemp05;
+       *(boffset +  2) = ctemp09;
+       *(boffset +  3) = ctemp13;
+
+       *(boffset +  4) = ctemp02;
+       *(boffset +  5) = ctemp06;
+       *(boffset +  6) = ctemp10;
+       *(boffset +  7) = ctemp14;
+
+       *(boffset +  8) = ctemp03;
+       *(boffset +  9) = ctemp07;
+       *(boffset + 10) = ctemp11;
+       *(boffset + 11) = ctemp15;
+
+       *(boffset + 12) = ctemp04;
+       *(boffset + 13) = ctemp08;
+       *(boffset + 14) = ctemp12;
+       *(boffset + 15) = ctemp16;
+
+       aoffset1 +=  4;
+       aoffset2 +=  4;
+       aoffset3 +=  4;
+       aoffset4 +=  4;
+       boffset  +=  16;
+       i --;
+      }while(i > 0);
+    }
+
+    i = (m & 3);
+    if (i > 0){
+      do{
+       ctemp01 = *(aoffset1 +  0);
+       ctemp02 = *(aoffset2 +  0);
+       ctemp03 = *(aoffset3 +  0);
+       ctemp04 = *(aoffset4 +  0);
+
+       *(boffset +  0) = ctemp01;
+       *(boffset +  1) = ctemp02;
+       *(boffset +  2) = ctemp03;
+       *(boffset +  3) = ctemp04;
+
+       aoffset1 ++;
+       aoffset2 ++;
+       aoffset3 ++;
+       aoffset4 ++;
+
+       boffset += 4;
+       i --;
+      }while(i > 0);
+    }
+  } /* end of if(j > 0) */
+
+  if (n & 2){
+    aoffset1  = aoffset;
+    aoffset2  = aoffset1 + lda;
+    aoffset += 2 * lda;
+
+    i = (m >> 1);
+    if (i > 0){
+      do{
+       ctemp01 = *(aoffset1 +  0);
+       ctemp02 = *(aoffset1 +  1);
+       ctemp03 = *(aoffset2 +  0);
+       ctemp04 = *(aoffset2 +  1);
+
+       *(boffset +  0) = ctemp01;
+       *(boffset +  1) = ctemp03;
+       *(boffset +  2) = ctemp02;
+       *(boffset +  3) = ctemp04;
+
+       aoffset1 +=  2;
+       aoffset2 +=  2;
+       boffset  +=  4;
+       i --;
+      }while(i > 0);
+    }
+
+    if (m & 1){
+      ctemp01 = *(aoffset1 +  0);
+      ctemp02 = *(aoffset2 +  0);
+
+      *(boffset +  0) = ctemp01;
+      *(boffset +  1) = ctemp02;
+
+      aoffset1 ++;
+      aoffset2 ++;
+      boffset += 2;
+    }
+  } /* end of if(j > 0) */
+
+  if (n & 1){
+    aoffset1  = aoffset;
+
+    i = m;
+    if (i > 0){
+      do{
+       ctemp01 = *(aoffset1 +  0);
+
+       *(boffset +  0) = ctemp01;
+
+       aoffset1 ++;
+       boffset  ++;
+       i --;
+      }while(i > 0);
+    }
+
+  } /* end of if(j > 0) */
+
+  return 0;
+}
diff --git a/kernel/x86_64/dgemm_tcopy_8_skylakex.c b/kernel/x86_64/dgemm_tcopy_8_skylakex.c
new file mode 100644 (file)
index 0000000..472ad63
--- /dev/null
@@ -0,0 +1,417 @@
+/*********************************************************************/
+/* Copyright 2009, 2010 The University of Texas at Austin.           */
+/* 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.                              */
+/*                                                                   */
+/*    THIS  SOFTWARE IS PROVIDED  BY THE  UNIVERSITY OF  TEXAS AT    */
+/*    AUSTIN  ``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 UNIVERSITY  OF TEXAS AT    */
+/*    AUSTIN 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.                                    */
+/*                                                                   */
+/* The views and conclusions contained in the software and           */
+/* documentation are those of the authors and should not be          */
+/* interpreted as representing official policies, either expressed   */
+/* or implied, of The University of Texas at Austin.                 */
+/*********************************************************************/
+
+#include <stdio.h>
+#include "common.h"
+#include <immintrin.h>
+
+int CNAME(BLASLONG m, BLASLONG n, FLOAT * __restrict a, BLASLONG lda, FLOAT * __restrict 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;
+
+  aoffset   = a;
+  boffset   = b;
+
+#if 0
+  fprintf(stderr, "M = %d N = %d\n", m, n);
+#endif
+
+  boffset2  = b + m  * (n & ~7);
+  boffset3  = b + m  * (n & ~3);
+  boffset4  = b + m  * (n & ~1);
+
+  j = (m >> 3);
+  if (j > 0){
+    do{
+      aoffset1  = aoffset;
+      aoffset2  = aoffset1 + lda;
+      aoffset3  = aoffset2 + lda;
+      aoffset4  = aoffset3 + lda;
+      aoffset5  = aoffset4 + lda;
+      aoffset6  = aoffset5 + lda;
+      aoffset7  = aoffset6 + lda;
+      aoffset8  = aoffset7 + lda;
+      aoffset += 8 * lda;
+
+      boffset1  = boffset;
+      boffset  += 64;
+
+      i = (n >> 3);
+      if (i > 0){
+       do{
+         __m512d row1, row2, row3, row4, row5, row6, row7, row8;
+         row1 = _mm512_loadu_pd(aoffset1);
+         aoffset1 += 8;
+         row2 = _mm512_loadu_pd(aoffset2);
+         aoffset2 += 8;
+         row3 = _mm512_loadu_pd(aoffset3);
+         aoffset3 += 8;
+         row4 = _mm512_loadu_pd(aoffset4);
+         aoffset4 += 8;
+         row5 = _mm512_loadu_pd(aoffset5);
+         aoffset5 += 8;
+         row6 = _mm512_loadu_pd(aoffset6);
+         aoffset6 += 8;
+         row7 = _mm512_loadu_pd(aoffset7);
+         aoffset7 += 8;
+         row8 = _mm512_loadu_pd(aoffset8);
+         aoffset8 += 8;
+
+         _mm512_storeu_pd(boffset1 +  0, row1);
+         _mm512_storeu_pd(boffset1 +  8, row2);
+         _mm512_storeu_pd(boffset1 + 16, row3);
+         _mm512_storeu_pd(boffset1 + 24, row4);
+         _mm512_storeu_pd(boffset1 + 32, row5);
+         _mm512_storeu_pd(boffset1 + 40, row6);
+         _mm512_storeu_pd(boffset1 + 48, row7);
+         _mm512_storeu_pd(boffset1 + 56, row8);
+         boffset1 += m * 8;
+         i --;
+       }while(i > 0);
+      }
+
+      if (n & 4){
+       __m256d row1, row2, row3, row4, row5, row6, row7, row8;
+       row1 = _mm256_loadu_pd(aoffset1);
+       aoffset1 += 4;
+       row2 = _mm256_loadu_pd(aoffset2);
+       aoffset2 += 4;
+       row3 = _mm256_loadu_pd(aoffset3);
+       aoffset3 += 4;
+       row4 = _mm256_loadu_pd(aoffset4);
+       aoffset4 += 4;
+       row5 = _mm256_loadu_pd(aoffset5);
+       aoffset5 += 4;
+       row6 = _mm256_loadu_pd(aoffset6);
+       aoffset6 += 4;
+       row7 = _mm256_loadu_pd(aoffset7);
+       aoffset7 += 4;
+       row8 = _mm256_loadu_pd(aoffset8);
+       aoffset8 += 4;
+
+       _mm256_storeu_pd(boffset2 +   0, row1);
+       _mm256_storeu_pd(boffset2 +   4, row2);
+       _mm256_storeu_pd(boffset2 +   8, row3);
+       _mm256_storeu_pd(boffset2 +  12, row4);
+       _mm256_storeu_pd(boffset2 +  16, row5);
+       _mm256_storeu_pd(boffset2 +  20, row6);
+       _mm256_storeu_pd(boffset2 +  24, row7);
+       _mm256_storeu_pd(boffset2 +  28, row8);
+       boffset2 += 32;
+      }
+
+      if (n & 2){
+       __m128d row1, row2, row3, row4, row5, row6, row7, row8;
+       row1 = _mm_loadu_pd(aoffset1);
+       aoffset1 += 2;
+
+       row2 = _mm_loadu_pd(aoffset2);
+       aoffset2 += 2;
+
+       row3 = _mm_loadu_pd(aoffset3);
+       aoffset3 += 2;
+
+       row4 = _mm_loadu_pd(aoffset4);
+       aoffset4 += 2;
+
+       row5 = _mm_loadu_pd(aoffset5);
+       aoffset5 += 2;
+
+       row6 = _mm_loadu_pd(aoffset6);
+       aoffset6 += 2;
+
+       row7 = _mm_loadu_pd(aoffset7);
+       aoffset7 += 2;
+
+       row8 = _mm_loadu_pd(aoffset8);
+       aoffset8 += 2;
+
+       _mm_storeu_pd(boffset3 +   0, row1);
+       _mm_storeu_pd(boffset3 +   2, row2);
+       _mm_storeu_pd(boffset3 +   4, row3);
+       _mm_storeu_pd(boffset3 +   6, row4);
+       _mm_storeu_pd(boffset3 +   8, row5);
+       _mm_storeu_pd(boffset3 +  10, row6);
+       _mm_storeu_pd(boffset3 +  12, row7);
+       _mm_storeu_pd(boffset3 +  14, row8);
+       boffset3 += 16;
+      }
+
+      if (n & 1){
+       ctemp01 = *(aoffset1 + 0);
+       aoffset1 ++;
+       ctemp02 = *(aoffset2 + 0);
+       aoffset2 ++;
+       ctemp03 = *(aoffset3 + 0);
+       aoffset3 ++;
+       ctemp04 = *(aoffset4 + 0);
+       aoffset4 ++;
+       ctemp05 = *(aoffset5 + 0);
+       aoffset5 ++;
+       ctemp06 = *(aoffset6 + 0);
+       aoffset6 ++;
+       ctemp07 = *(aoffset7 + 0);
+       aoffset7 ++;
+       ctemp08 = *(aoffset8 + 0);
+       aoffset8 ++;
+
+       *(boffset4 +  0) = ctemp01;
+       *(boffset4 +  1) = ctemp02;
+       *(boffset4 +  2) = ctemp03;
+       *(boffset4 +  3) = ctemp04;
+       *(boffset4 +  4) = ctemp05;
+       *(boffset4 +  5) = ctemp06;
+       *(boffset4 +  6) = ctemp07;
+       *(boffset4 +  7) = ctemp08;
+       boffset4 += 8;
+      }
+
+      j--;
+    }while(j > 0);
+  }
+
+  if (m & 4){
+
+    aoffset1  = aoffset;
+    aoffset2  = aoffset1 + lda;
+    aoffset3  = aoffset2 + lda;
+    aoffset4  = aoffset3 + lda;
+    aoffset += 4 * lda;
+
+    boffset1  = boffset;
+    boffset  += 32;
+
+    i = (n >> 3);
+    if (i > 0){
+
+      do{
+         __m512d row1, row2, row3, row4;
+         row1 = _mm512_loadu_pd(aoffset1);
+         aoffset1 += 8;
+         row2 = _mm512_loadu_pd(aoffset2);
+         aoffset2 += 8;
+         row3 = _mm512_loadu_pd(aoffset3);
+         aoffset3 += 8;
+         row4 = _mm512_loadu_pd(aoffset4);
+         aoffset4 += 8;
+
+         _mm512_storeu_pd(boffset1 +  0, row1);
+         _mm512_storeu_pd(boffset1 +  8, row2);
+         _mm512_storeu_pd(boffset1 + 16, row3);
+         _mm512_storeu_pd(boffset1 + 24, row4);
+
+         boffset1 += 8 * m;
+         i --;
+      }while(i > 0);
+    }
+
+    if (n & 4) {
+       __m256d row1, row2, row3, row4;
+       row1 = _mm256_loadu_pd(aoffset1);
+       aoffset1 += 4;
+       row2 = _mm256_loadu_pd(aoffset2);
+       aoffset2 += 4;
+       row3 = _mm256_loadu_pd(aoffset3);
+       aoffset3 += 4;
+       row4 = _mm256_loadu_pd(aoffset4);
+       aoffset4 += 4;
+       _mm256_storeu_pd(boffset2 +   0, row1);
+       _mm256_storeu_pd(boffset2 +   4, row2);
+       _mm256_storeu_pd(boffset2 +   8, row3);
+       _mm256_storeu_pd(boffset2 +  12, row4);
+        boffset2 += 16;
+    }
+
+    if (n & 2){
+       __m128d row1, row2, row3, row4;
+       row1 = _mm_loadu_pd(aoffset1);
+       aoffset1 += 2;
+
+       row2 = _mm_loadu_pd(aoffset2);
+       aoffset2 += 2;
+
+       row3 = _mm_loadu_pd(aoffset3);
+       aoffset3 += 2;
+
+       row4 = _mm_loadu_pd(aoffset4);
+       aoffset4 += 2;
+
+
+       _mm_storeu_pd(boffset3 +   0, row1);
+       _mm_storeu_pd(boffset3 +   2, row2);
+       _mm_storeu_pd(boffset3 +   4, row3);
+       _mm_storeu_pd(boffset3 +   6, row4);
+        boffset3 += 8;
+    }
+
+    if (n & 1){
+      ctemp01 = *(aoffset1 + 0);
+      aoffset1 ++;
+      ctemp02 = *(aoffset2 + 0);
+      aoffset2 ++;
+      ctemp03 = *(aoffset3 + 0);
+      aoffset3 ++;
+      ctemp04 = *(aoffset4 + 0);
+      aoffset4 ++;
+
+      *(boffset4 +  0) = ctemp01;
+      *(boffset4 +  1) = ctemp02;
+      *(boffset4 +  2) = ctemp03;
+      *(boffset4 +  3) = ctemp04;
+      boffset4 += 4;
+    }
+  }
+
+  if (m & 2){
+    aoffset1  = aoffset;
+    aoffset2  = aoffset1 + lda;
+    aoffset += 2 * lda;
+
+    boffset1  = boffset;
+    boffset  += 16;
+
+    i = (n >> 3);
+    if (i > 0){
+      do{
+         __m512d row1, row2;
+         row1 = _mm512_loadu_pd(aoffset1);
+         aoffset1 += 8;
+         row2 = _mm512_loadu_pd(aoffset2);
+         aoffset2 += 8;
+
+         _mm512_storeu_pd(boffset1 +  0, row1);
+         _mm512_storeu_pd(boffset1 +  8, row2);
+         boffset1 += 8 * m;
+         i --;
+      }while(i > 0);
+    }
+
+    if (n & 4){
+       __m256d row1, row2;
+       row1 = _mm256_loadu_pd(aoffset1);
+       aoffset1 += 4;
+       row2 = _mm256_loadu_pd(aoffset2);
+       aoffset2 += 4;
+       _mm256_storeu_pd(boffset2 +   0, row1);
+       _mm256_storeu_pd(boffset2 +   4, row2);
+        boffset2 += 8;
+    }
+
+    if (n & 2){
+       __m128d row1, row2;
+       row1 = _mm_loadu_pd(aoffset1);
+       aoffset1 += 2;
+
+       row2 = _mm_loadu_pd(aoffset2);
+       aoffset2 += 2;
+
+
+       _mm_storeu_pd(boffset3 +   0, row1);
+       _mm_storeu_pd(boffset3 +   2, row2);
+       boffset3 += 4;
+    }
+
+    if (n & 1){
+      ctemp01 = *(aoffset1 + 0);
+      aoffset1 ++;
+      ctemp02 = *(aoffset2 + 0);
+      aoffset2 ++;
+
+      *(boffset4 +  0) = ctemp01;
+      *(boffset4 +  1) = ctemp02;
+      boffset4 += 2;
+    }
+  }
+
+  if (m & 1){
+    aoffset1  = aoffset;
+    // aoffset += lda;
+
+    boffset1  = boffset;
+    // boffset  += 8;
+
+    i = (n >> 3);
+    if (i > 0){
+      do{
+       __m512d row1;
+         row1 = _mm512_loadu_pd(aoffset1);
+         aoffset1 += 8;
+
+         _mm512_storeu_pd(boffset1 +  0, row1);
+         boffset1 += 8 * m;
+         i --;
+       }while(i > 0);
+     }
+
+     if (n & 4){
+       __m256d row1;
+       row1 = _mm256_loadu_pd(aoffset1);
+       aoffset1 += 4;
+       _mm256_storeu_pd(boffset2 +   0, row1);
+       // boffset2 += 4;
+     }
+
+     if (n & 2){
+       __m128d row1;
+       row1 = _mm_loadu_pd(aoffset1);
+       aoffset1 += 2;
+
+       _mm_storeu_pd(boffset3 +   0, row1);
+
+       // boffset3 += 2;
+     }
+
+     if (n & 1){
+       ctemp01 = *(aoffset1 + 0);
+       aoffset1 ++;
+      *(boffset4 +  0) = ctemp01;
+      boffset4 ++;
+    }
+  }
+
+  return 0;
+}