Merge commit 'fd9212f2edfe9b107c3c08ba2df5fd2cba5ab9e3'
[ffmpeg.git] / libavcodec / x86 / opus_pvq_search.asm
1 ;******************************************************************************
2 ;* SIMD optimized Opus encoder DSP function
3 ;*
4 ;* Copyright (C) 2017 Ivan Kalvachev <ikalvachev@gmail.com>
5 ;*
6 ;* This file is part of FFmpeg.
7 ;*
8 ;* FFmpeg is free software; you can redistribute it and/or
9 ;* modify it under the terms of the GNU Lesser General Public
10 ;* License as published by the Free Software Foundation; either
11 ;* version 2.1 of the License, or (at your option) any later version.
12 ;*
13 ;* FFmpeg is distributed in the hope that it will be useful,
14 ;* but WITHOUT ANY WARRANTY; without even the implied warranty of
15 ;* MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
16 ;* Lesser General Public License for more details.
17 ;*
18 ;* You should have received a copy of the GNU Lesser General Public
19 ;* License along with FFmpeg; if not, write to the Free Software
20 ;* Foundation, Inc., 51 Franklin Street, Fifth Floor, Boston, MA 02110-1301 USA
21 ;******************************************************************************
22
23 %include "config.asm"
24 %include "libavutil/x86/x86util.asm"
25
26 %ifdef __NASM_VER__
27 %use "smartalign"
28 ALIGNMODE p6
29 %endif
30
31 SECTION_RODATA 64
32
33 const_float_abs_mask:   times 8 dd 0x7fffffff
34 const_align_abs_edge:   times 8 dd 0
35
36 const_float_0_5:        times 8 dd 0.5
37 const_float_1:          times 8 dd 1.0
38 const_float_sign_mask:  times 8 dd 0x80000000
39
40 const_int32_offsets:
41                         %rep 8
42                                 dd $-const_int32_offsets
43                         %endrep
44 SECTION .text
45
46 ;
47 ;   Setup High Register to be used
48 ;   for holding memory constants
49 ;
50 ; %1 - the register to be used, assmues it is >= mm8
51 ; %2 - name of the constant.
52 ;
53 ; Subsequent opcodes are going to use the constant in the form
54 ; "addps m0, mm_const_name" and it would be turned into:
55 ; "addps m0, [const_name]" on 32 bit arch or
56 ; "addps m0, m8" on 64 bit arch
57 %macro SET_HI_REG_MM_CONSTANT 3 ; movop, reg, const_name
58 %if num_mmregs > 8
59     %define  mm_%3   %2
60     %{1}        %2, [%3]    ; movaps m8, [const_name]
61 %else
62     %define  mm_%3  [%3]
63 %endif
64 %endmacro
65
66 ;
67 ;   Set Position Independent Code
68 ;       Base address of a constant
69 ; %1 - the register to be used, if PIC is set
70 ; %2 - name of the constant.
71 ;
72 ; Subsequent opcode are going to use the base address in the form
73 ; "movaps m0, [pic_base_constant_name+r4]" and it would be turned into
74 ; "movaps m0, [r5 + r4]" if PIC is enabled
75 ; "movaps m0, [constant_name + r4]" if texrel are used
76 %macro SET_PIC_BASE 3; reg, const_label
77 %ifdef PIC
78     %{1}     %2, [%3]      ; lea r5, [rip+const]
79     %define  pic_base_%3 %2
80 %else
81     %define  pic_base_%3 %3
82 %endif
83 %endmacro
84
85 %macro PULSES_SEARCH 1
86 ; m6 Syy_norm
87 ; m7 Sxy_norm
88     addps          m6, mm_const_float_0_5   ; Syy_norm += 1.0/2
89     pxor           m1, m1                   ; max_idx
90     xorps          m3, m3                   ; p_max
91     xor           r4d, r4d
92 align 16
93 %%distortion_search:
94     movd          xm2, dword r4d    ; movd zero extends
95 %ifidn %1,add
96     movaps         m4, [tmpY + r4]  ; y[i]
97     movaps         m5, [tmpX + r4]  ; X[i]
98
99   %if USE_APPROXIMATION == 1
100     xorps          m0, m0
101     cmpps          m0, m0, m5, 4    ; m0 = (X[i] != 0.0)
102   %endif
103
104     addps          m4, m6           ; m4 = Syy_new = y[i] + Syy_norm
105     addps          m5, m7           ; m5 = Sxy_new = X[i] + Sxy_norm
106
107   %if USE_APPROXIMATION == 1
108     andps          m5, m0           ; if(X[i] == 0) Sxy_new = 0; Prevent aproximation error from setting pulses in array padding.
109   %endif
110
111 %else
112     movaps         m5, [tmpY + r4]      ; m5 = y[i]
113
114     xorps          m0, m0               ; m0 = 0;
115     cmpps          m0, m0, m5, 1        ; m0 = (0<y)
116
117     subps          m4, m6, m5           ; m4 = Syy_new = Syy_norm - y[i]
118     subps          m5, m7, [tmpX + r4]  ; m5 = Sxy_new = Sxy_norm - X[i]
119     andps          m5, m0               ; (0<y)?m5:0
120 %endif
121
122 %if USE_APPROXIMATION == 1
123     rsqrtps        m4, m4
124     mulps          m5, m4           ; m5 = p = Sxy_new*approx(1/sqrt(Syy) )
125 %else
126     mulps          m5, m5
127     divps          m5, m4           ; m5 = p = Sxy_new*Sxy_new/Syy
128 %endif
129     VPBROADCASTD   m2, xm2          ; m2=i (all lanes get same values, we add the offset-per-lane, later)
130
131     cmpps          m0, m3, m5, 1    ; m0 = (m3 < m5) ; (p_max < p) ; (p > p_max)
132     maxps          m3, m5           ; m3=max(p_max,p)
133                                     ; maxps here is faster than blendvps, despite blend having lower latency.
134
135     pand           m2, m0           ; This version seems faster than sse41 pblendvb
136     pmaxsw         m1, m2           ; SSE2 signed word, so it would work for N < 32768/4
137
138     add           r4d, mmsize
139     cmp           r4d, Nd
140     jb   %%distortion_search
141
142     por            m1, mm_const_int32_offsets  ; max_idx offsets per individual lane (skipped in the inner loop)
143     movdqa         m4, m1                      ; needed for the aligned y[max_idx]+=1; processing
144
145 %if mmsize >= 32
146 ; Merge parallel maximums round 8 (4 vs 4)
147
148     vextractf128  xm5, ym3, 1       ; xmm5 = ymm3[1x128] = ymm3[255..128b]
149     cmpps         xm0, xm3, xm5, 1  ; m0 = (m3 < m5) = ( p[0x128] < p[1x128] )
150
151     vextracti128  xm2, ym1, 1       ; xmm2 = ymm1[1x128] = ymm1[255..128b]
152     BLENDVPS      xm3, xm5, xm0     ; max_idx = m0 ? max_idx[1x128] : max_idx[0x128]
153     PBLENDVB      xm1, xm2, xm0     ; p       = m0 ? p[1x128]       : p[0x128]
154 %endif
155
156 ; Merge parallel maximums round 4 (2 vs 2)
157                                     ; m3=p[3210]
158     movhlps       xm5, xm3          ; m5=p[xx32]
159     cmpps         xm0, xm3, xm5, 1  ; m0 = (m3 < m5) = ( p[1,0] < p[3,2] )
160
161     pshufd        xm2, xm1, q3232
162     BLENDVPS      xm3, xm5, xm0     ; max_idx = m0 ? max_idx[3,2] : max_idx[1,0]
163     PBLENDVB      xm1, xm2, xm0     ; p       = m0 ? p[3,2]       : p[1,0]
164
165 ; Merge parallel maximums final round (1 vs 1)
166     shufps        xm0, xm3, xm3, q1111  ; m0 = m3[1] = p[1]
167     cmpss         xm0, xm3, 5           ; m0 = !(m0 >= m3) = !( p[1] >= p[0] )
168
169     pshufd        xm2, xm1, q1111
170     PBLENDVB      xm1, xm2, xm0
171
172     movd    dword r4d, xm1          ; zero extends to the rest of r4q
173
174     VBROADCASTSS   m3, [tmpX + r4]
175     %{1}ps         m7, m3           ; Sxy += X[max_idx]
176
177     VBROADCASTSS   m5, [tmpY + r4]
178     %{1}ps         m6, m5           ; Syy += Y[max_idx]
179
180     ; We have to update a single element in Y[i]
181     ; However writing 4 bytes and then doing 16 byte load in the inner loop
182     ; could cause a stall due to breaking write forwarding.
183     VPBROADCASTD   m1, xm1
184     pcmpeqd        m1, m1, m4           ; exactly 1 element matches max_idx and this finds it
185
186     and           r4d, ~(mmsize-1)      ; align address down, so the value pointed by max_idx is inside a mmsize load
187     movaps         m5, [tmpY + r4]      ; m5 = Y[y3...ym...y0]
188     andps          m1, mm_const_float_1 ; m1 =  [ 0...1.0...0]
189     %{1}ps         m5, m1               ; m5 = Y[y3...ym...y0] +/- [0...1.0...0]
190     movaps [tmpY + r4], m5              ; Y[max_idx] +-= 1.0;
191 %endmacro
192
193 ;
194 ; We need one more register for
195 ; PIC relative addressing. Use this
196 ; to count it in cglobal
197 ;
198 %ifdef PIC
199   %define num_pic_regs 1
200 %else
201   %define num_pic_regs 0
202 %endif
203
204 ;
205 ; Pyramid Vector Quantization Search implementation
206 ;
207 ; float * inX   - Unaligned (SIMD) access, it will be overread,
208 ;                 but extra data is masked away.
209 ; int32 * outY  - Should be aligned and padded buffer.
210 ;                 It is used as temp buffer.
211 ; uint32 K      - Number of pulses to have after quantizations.
212 ; uint32 N      - Number of vector elements. Must be 0 < N < 256
213 ;
214 %macro PVQ_FAST_SEARCH 1
215 cglobal pvq_search%1, 4, 5+num_pic_regs, 11, 256*4, inX, outY, K, N
216 %define tmpX rsp
217 %define tmpY outYq
218
219     movaps     m0, [const_float_abs_mask]
220     shl        Nd, 2    ; N *= sizeof(float); also 32 bit operation zeroes the high 32 bits in 64 bit mode.
221     mov       r4d, Nd
222
223     neg       r4d
224     and       r4d, mmsize-1
225
226     SET_PIC_BASE lea, r5, const_align_abs_edge  ; rip+const
227     movups     m2, [pic_base_const_align_abs_edge + r4 - mmsize]
228
229     add        Nd, r4d              ; N = align(N, mmsize)
230
231     lea       r4d, [Nd - mmsize]    ; N is rounded up (aligned up) to mmsize, so r4 can't become negative here, unless N=0.
232     movups     m1, [inXq + r4]
233     andps      m1, m2
234     movaps  [tmpX + r4], m1         ; Sx = abs( X[N-1] )
235
236 align 16
237 %%loop_abs_sum:
238     sub       r4d, mmsize
239     jc   %%end_loop_abs_sum
240
241     movups     m2, [inXq + r4]
242     andps      m2, m0
243
244     movaps  [tmpX + r4], m2 ; tmpX[i]=abs(X[i])
245     addps      m1, m2       ; Sx += abs(X[i])
246     jmp  %%loop_abs_sum
247
248 align 16
249 %%end_loop_abs_sum:
250
251     HSUMPS     m1, m2       ; m1  = Sx
252
253     xorps      m0, m0
254     comiss    xm0, xm1      ;
255     jz   %%zero_input       ; if (Sx==0) goto zero_input
256
257     cvtsi2ss  xm0, dword Kd ; m0 = K
258 %if USE_APPROXIMATION == 1
259     rcpss     xm1, xm1      ; m1 = approx(1/Sx)
260     mulss     xm0, xm1      ; m0 = K*(1/Sx)
261 %else
262     divss     xm0, xm1      ; b = K/Sx
263                             ; b = K/max_x
264 %endif
265
266     VBROADCASTSS  m0, xm0
267
268     lea       r4d, [Nd - mmsize]
269     pxor       m5, m5             ; Sy    ( Sum of abs( y[i]) )
270     xorps      m6, m6             ; Syy   ( Sum of y[i]*y[i]  )
271     xorps      m7, m7             ; Sxy   ( Sum of X[i]*y[i]  )
272 align 16
273 %%loop_guess:
274     movaps     m1, [tmpX + r4]    ; m1   = X[i]
275     mulps      m2, m0, m1         ; m2   = res*X[i]
276     cvtps2dq   m2, m2             ; yt   = (int)lrintf( res*X[i] )
277     paddd      m5, m2             ; Sy  += yt
278     cvtdq2ps   m2, m2             ; yt   = (float)yt
279     mulps      m1, m2             ; m1   = X[i]*yt
280     movaps  [tmpY + r4], m2       ; y[i] = m2
281     addps      m7, m1             ; Sxy += m1;
282     mulps      m2, m2             ; m2   = yt*yt
283     addps      m6, m2             ; Syy += m2
284
285     sub       r4d, mmsize
286     jnc  %%loop_guess
287
288     HSUMPS     m6, m1       ; Syy_norm
289     HADDD      m5, m4       ; pulses
290
291     movd  dword r4d, xm5    ; zero extends to the rest of r4q
292
293     sub        Kd, r4d      ; K -= pulses , also 32 bit operation zeroes high 32 bit in 64 bit mode.
294     jz   %%finish           ; K - pulses == 0
295
296     SET_HI_REG_MM_CONSTANT movaps,  m8, const_float_0_5
297     SET_HI_REG_MM_CONSTANT movaps,  m9, const_float_1
298     SET_HI_REG_MM_CONSTANT movdqa, m10, const_int32_offsets
299     ; Use Syy/2 in distortion parameter calculations.
300     ; Saves pre and post-caclulation to correct Y[] values.
301     ; Same precision, since float mantisa is normalized.
302     ; The SQRT approximation does differ.
303     HSUMPS     m7, m0         ; Sxy_norm
304     mulps      m6, mm_const_float_0_5
305
306     jc   %%remove_pulses_loop   ; K - pulses < 0
307
308 align 16                        ; K - pulses > 0
309 %%add_pulses_loop:
310
311     PULSES_SEARCH add   ; m6 Syy_norm ; m7 Sxy_norm
312
313     sub        Kd, 1
314     jnz  %%add_pulses_loop
315
316     addps      m6, m6 ; Syy*=2
317
318     jmp  %%finish
319
320 align 16
321 %%remove_pulses_loop:
322
323     PULSES_SEARCH sub   ; m6 Syy_norm ; m7 Sxy_norm
324
325     add        Kd, 1
326     jnz  %%remove_pulses_loop
327
328     addps      m6, m6 ; Syy*=2
329
330 align 16
331 %%finish:
332     lea       r4d, [Nd - mmsize]
333     movaps     m2, [const_float_sign_mask]
334
335 align 16
336 %%restore_sign_loop:
337     movaps     m0, [tmpY + r4]    ; m0 = Y[i]
338     movups     m1, [inXq + r4]    ; m1 = X[i]
339     andps      m1, m2             ; m1 = sign(X[i])
340     orps       m0, m1             ; m0 = Y[i]*sign
341     cvtps2dq   m3, m0             ; m3 = (int)m0
342     movaps  [outYq + r4], m3
343
344     sub       r4d, mmsize
345     jnc  %%restore_sign_loop
346 %%return:
347
348 %if ARCH_X86_64 == 0    ; sbrdsp
349     movss     r0m, xm6  ; return (float)Syy_norm
350     fld dword r0m
351 %else
352     movaps     m0, m6   ; return (float)Syy_norm
353 %endif
354
355     RET
356
357 align 16
358 %%zero_input:
359     lea       r4d, [Nd - mmsize]
360     xorps      m0, m0
361 %%zero_loop:
362     movaps  [outYq + r4], m0
363     sub       r4d, mmsize
364     jnc  %%zero_loop
365
366     movaps     m6, [const_float_1]
367     jmp  %%return
368 %endmacro
369
370 ; if 1, use a float op that give half precision but execute for around 3 cycles.
371 ; On Skylake & Ryzen the division is much faster (around 11c/3),
372 ; that makes the full precision code about 2% slower.
373 ; Opus also does use rsqrt approximation in their intrinsics code.
374 %define USE_APPROXIMATION   1
375
376 INIT_XMM sse2
377 PVQ_FAST_SEARCH _approx
378
379 INIT_XMM sse4
380 PVQ_FAST_SEARCH _approx
381
382 %define USE_APPROXIMATION   0
383
384 INIT_XMM avx
385 PVQ_FAST_SEARCH _exact