summaryrefslogtreecommitdiffstats
path: root/src/neon.s
blob: 7486b632908e4c5846d2c321d105d6f53b9ea627 (plain)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
/*

This file is part of FFTS -- The Fastest Fourier Transform in the South

Copyright (c) 2016, Jukka Ojanen <jukka.ojanen@kolumbus.fi>
Copyright (c) 2012, Anthony M. Blake <amb@anthonix.com>
Copyright (c) 2012, The University of Waikato 

All rights reserved.

Redistribution and use in source and binary forms, with or without
modification, are permitted provided that the following conditions are met:
* Redistributions of source code must retain the above copyright
notice, this list of conditions and the following disclaimer.
* 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.
* Neither the name of the organization 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 ANTHONY M. BLAKE 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.

*/
  .fpu  neon

  .align 4
#ifdef __APPLE__
  .globl    _neon_x4
_neon_x4:
#else
  .globl    neon_x4
neon_x4:
#endif
  vld1.32  {q8,  q9},  [r0, :128]
  add      r4, r0, r1, lsl #1
  vld1.32  {q10, q11}, [r4, :128]
  add      r5, r0, r1, lsl #2
  vld1.32  {q12, q13}, [r5, :128]
  add      r6, r4, r1, lsl #2
  vld1.32  {q14, q15}, [r6, :128]
  vld1.32  {q2,  q3},  [r2, :128]

  vmul.f32 q0,  q13, q3
  vmul.f32 q5,  q12, q2
  vmul.f32 q1,  q14, q2
  vmul.f32 q4,  q14, q3
  vmul.f32 q14, q12, q3
  vmul.f32 q13, q13, q2
  vmul.f32 q12, q15, q3
  vmul.f32 q2,  q15, q2
  vsub.f32 q0,  q5,  q0
  vadd.f32 q13, q13, q14
  vadd.f32 q12, q12, q1
  vsub.f32 q1,  q2,  q4
  vadd.f32 q15, q0,  q12
  vsub.f32 q12, q0,  q12
  vadd.f32 q14, q13, q1
  vsub.f32 q13, q13, q1
  vadd.f32 q0,  q8,  q15
  vadd.f32 q1,  q9,  q14
  vsub.f32 q2,  q10, q13
  vsub.f32 q4,  q8,  q15
  vadd.f32 q3,  q11, q12
  vst1.32  {q0, q1}, [r0, :128]
  vsub.f32 q5,  q9,  q14
  vadd.f32 q6,  q10, q13
  vsub.f32 q7,  q11, q12
  vst1.32  {q2, q3}, [r4, :128]
  vst1.32  {q4, q5}, [r5, :128]
  vst1.32  {q6, q7}, [r6, :128]
  bx       lr

  .align 4
#ifdef __APPLE__
  .globl  _neon_x8
_neon_x8:
#else
  .globl  neon_x8
neon_x8:
#endif
  mov      r11, #0
  add      r3, r0, #0           @ data0
  add      r5, r0, r1, lsl #1   @ data2
  add      r4, r0, r1           @ data1
  add      r7, r5, r1, lsl #1   @ data4
  add      r6, r5, r1           @ data3
  add      r9, r7, r1, lsl #1   @ data6
  add      r8, r7, r1           @ data5
  add      r10, r9, r1          @ data7
  add      r12, r2, #0          @ LUT

  sub      r11, r11, r1, lsr #5
1: 
  vld1.32  {q2,  q3},  [r12, :128]!
  vld1.32  {q14, q15}, [r6, :128]
  vld1.32  {q10, q11}, [r5, :128]
  adds     r11, r11, #1
  vmul.f32 q12, q15, q2
  vmul.f32 q8,  q14, q3
  vmul.f32 q13, q14, q2
  vmul.f32 q9,  q10, q3
  vmul.f32 q1,  q10, q2
  vmul.f32 q0,  q11, q2
  vmul.f32 q14, q11, q3
  vmul.f32 q15, q15, q3
  vld1.32  {q2,  q3},  [r12, :128]!
  vsub.f32 q10, q12, q8
  vadd.f32 q11, q0,  q9
  vadd.f32 q8,  q15, q13
  vld1.32  {q12, q13}, [r4, :128]
  vsub.f32 q9,  q1,  q14
  vsub.f32 q15, q11, q10
  vsub.f32 q14, q9,  q8
  vsub.f32 q4,  q12, q15
  vadd.f32 q6,  q12, q15
  vadd.f32 q5,  q13, q14
  vsub.f32 q7,  q13, q14
  vld1.32  {q14, q15}, [r9, :128]
  vld1.32  {q12, q13}, [r7, :128]
  vmul.f32 q1,  q14, q2
  vmul.f32 q0,  q14, q3
  vst1.32  {q4,  q5},  [r4, :128]
  vmul.f32 q14, q15, q3
  vmul.f32 q4,  q15, q2
  vadd.f32 q15, q9,  q8
  vst1.32  {q6,  q7},  [r6, :128]
  vmul.f32 q8,  q12, q3
  vmul.f32 q5,  q13, q3
  vmul.f32 q12, q12, q2
  vmul.f32 q9,  q13, q2
  vadd.f32 q14, q14, q1
  vsub.f32 q13, q4,  q0
  vadd.f32 q0,  q9,  q8
  vld1.32  {q8,  q9},  [r3, :128]
  vadd.f32 q1,  q11, q10
  vsub.f32 q12, q12, q5
  vadd.f32 q11, q8,  q15
  vsub.f32 q8,  q8,  q15
  vadd.f32 q2,  q12, q14
  vsub.f32 q10, q0,  q13
  vadd.f32 q15, q0,  q13
  vadd.f32 q13, q9,  q1
  vsub.f32 q9,  q9,  q1
  vsub.f32 q12, q12, q14
  vadd.f32 q0,  q11, q2
  vadd.f32 q1,  q13, q15
  vsub.f32 q4,  q11, q2
  vsub.f32 q2,  q8,  q10
  vadd.f32 q3,  q9,  q12
  vst1.32  {q0,  q1},  [r3, :128]!
  vsub.f32 q5,  q13, q15
  vld1.32  {q14, q15}, [r10, :128]
  vsub.f32 q7,  q9,  q12
  vld1.32  {q12, q13}, [r8, :128]
  vst1.32  {q2,  q3},  [r5, :128]!
  vld1.32  {q2,  q3},  [r12, :128]!
  vadd.f32 q6,  q8,  q10
  vmul.f32 q8,  q14, q2
  vst1.32  {q4,  q5},  [r7, :128]!
  vmul.f32 q10, q15, q3
  vmul.f32 q9,  q13, q3
  vmul.f32 q11, q12, q2
  vmul.f32 q14, q14, q3
  vst1.32  {q6,  q7},  [r9, :128]!
  vmul.f32 q15, q15, q2
  vmul.f32 q12, q12, q3
  vmul.f32 q13, q13, q2
  vadd.f32 q10, q10, q8
  vsub.f32 q11, q11, q9
  vld1.32  {q8,  q9},  [r4, :128]
  vsub.f32 q14, q15, q14
  vadd.f32 q15, q13, q12
  vadd.f32 q13, q11, q10
  vadd.f32 q12, q15, q14
  vsub.f32 q15, q15, q14
  vsub.f32 q14, q11, q10
  vld1.32  {q10, q11}, [r6, :128]
  vadd.f32 q0,  q8,  q13
  vadd.f32 q1,  q9,  q12
  vsub.f32 q2,  q10, q15
  vadd.f32 q3,  q11, q14
  vsub.f32 q4,  q8,  q13
  vst1.32  {q0,  q1},  [r4, :128]!
  vsub.f32 q5,  q9,  q12
  vadd.f32 q6,  q10, q15
  vst1.32  {q2,  q3},  [r6, :128]!
  vsub.f32 q7,  q11, q14
  vst1.32  {q4,  q5},  [r8, :128]!
  vst1.32  {q6,  q7},  [r10, :128]!
  bne      1b
  bx       lr

  .align 4
#ifdef __APPLE__
  .globl  _neon_x8_t
_neon_x8_t:
#else
  .globl  neon_x8_t
neon_x8_t:
#endif
  mov      r11, #0
  add      r3, r0, #0           @ data0
  add      r5, r0, r1, lsl #1   @ data2
  add      r4, r0, r1           @ data1
  add      r7, r5, r1, lsl #1   @ data4
  add      r6, r5, r1           @ data3
  add      r9, r7, r1, lsl #1   @ data6
  add      r8, r7, r1           @ data5
  add      r10, r9, r1          @ data7
  add      r12, r2, #0          @ LUT

  sub      r11, r11, r1, lsr #5
1:
  vld1.32  {q2,  q3},  [r12, :128]!
  vld1.32  {q14, q15}, [r6, :128]
  vld1.32  {q10, q11}, [r5, :128]
  adds     r11, r11, #1
  vmul.f32 q12, q15, q2
  vmul.f32 q8,  q14, q3
  vmul.f32 q13, q14, q2
  vmul.f32 q9,  q10, q3
  vmul.f32 q1,  q10, q2
  vmul.f32 q0,  q11, q2
  vmul.f32 q14, q11, q3
  vmul.f32 q15, q15, q3
  vld1.32  {q2,  q3},  [r12, :128]!
  vsub.f32 q10, q12, q8
  vadd.f32 q11, q0,  q9
  vadd.f32 q8,  q15, q13
  vld1.32  {q12, q13}, [r4, :128]
  vsub.f32 q9,  q1,  q14
  vsub.f32 q15, q11, q10
  vsub.f32 q14, q9,  q8
  vsub.f32 q4,  q12, q15
  vadd.f32 q6,  q12, q15
  vadd.f32 q5,  q13, q14
  vsub.f32 q7,  q13, q14
  vld1.32  {q14, q15}, [r9, :128]
  vld1.32  {q12, q13}, [r7, :128]
  vmul.f32 q1,  q14, q2
  vmul.f32 q0,  q14, q3
  vst1.32  {q4,  q5},  [r4, :128]
  vmul.f32 q14, q15, q3
  vmul.f32 q4,  q15, q2
  vadd.f32 q15, q9,  q8
  vst1.32  {q6,  q7},  [r6, :128]
  vmul.f32 q8,  q12, q3
  vmul.f32 q5,  q13, q3
  vmul.f32 q12, q12, q2
  vmul.f32 q9,  q13, q2
  vadd.f32 q14, q14, q1
  vsub.f32 q13, q4,  q0
  vadd.f32 q0,  q9,  q8
  vld1.32  {q8,  q9},  [r3, :128]
  vadd.f32 q1,  q11, q10
  vsub.f32 q12, q12, q5
  vadd.f32 q11, q8,  q15
  vsub.f32 q8,  q8,  q15
  vadd.f32 q2,  q12, q14
  vsub.f32 q10, q0,  q13
  vadd.f32 q15, q0,  q13
  vadd.f32 q13, q9,  q1
  vsub.f32 q9,  q9,  q1
  vsub.f32 q12, q12, q14
  vadd.f32 q0,  q11, q2
  vadd.f32 q1,  q13, q15
  vsub.f32 q4,  q11, q2
  vsub.f32 q2,  q8,  q10
  vadd.f32 q3,  q9,  q12
  vst2.32  {q0,  q1},  [r3, :128]!
  vsub.f32 q5,  q13, q15
  vld1.32  {q14, q15}, [r10, :128]
  vsub.f32 q7,  q9,  q12
  vld1.32  {q12, q13}, [r8, :128]
  vst2.32  {q2,  q3},  [r5, :128]!
  vld1.32  {q2,  q3},  [r12, :128]!
  vadd.f32 q6,  q8,  q10
  vmul.f32 q8,  q14, q2
  vst2.32  {q4,  q5},  [r7, :128]!
  vmul.f32 q10, q15, q3
  vmul.f32 q9,  q13, q3
  vmul.f32 q11, q12, q2
  vmul.f32 q14, q14, q3
  vst2.32  {q6,  q7},  [r9, :128]!
  vmul.f32 q15, q15, q2
  vmul.f32 q12, q12, q3
  vmul.f32 q13, q13, q2
  vadd.f32 q10, q10, q8
  vsub.f32 q11, q11, q9
  vld1.32  {q8,  q9},  [r4, :128]
  vsub.f32 q14, q15, q14
  vadd.f32 q15, q13, q12
  vadd.f32 q13, q11, q10
  vadd.f32 q12, q15, q14
  vsub.f32 q15, q15, q14
  vsub.f32 q14, q11, q10
  vld1.32  {q10, q11}, [r6, :128]
  vadd.f32 q0,  q8,  q13
  vadd.f32 q1,  q9,  q12
  vsub.f32 q2,  q10, q15
  vadd.f32 q3,  q11, q14
  vsub.f32 q4,  q8,  q13
  vst2.32  {q0,  q1},  [r4, :128]!
  vsub.f32 q5,  q9,  q12
  vadd.f32 q6,  q10, q15
  vst2.32  {q2,  q3},  [r6, :128]!
  vsub.f32 q7,  q11, q14
  vst2.32  {q4,  q5},  [r8, :128]!
  vst2.32  {q6,  q7},  [r10, :128]!
  bne      1b

@ assumes r0 = out 
@         r1 = in ? 
@
@         r12 = offsets
@         r3-r10 = data pointers
@         r11 = loop iterations
@         r2 & lr = temps
  .align 4
#ifdef __APPLE__
  .globl  _neon_ee
_neon_ee:
#else
  .globl  neon_ee
neon_ee:
#endif
  vld1.32  {d16, d17}, [r2, :128]
1:
  vld2.32  {q15}, [r10, :128]!
  vld2.32  {q13}, [r8, :128]!
  vld2.32  {q14}, [r7, :128]!
  vld2.32  {q9},  [r4, :128]!
  vld2.32  {q10}, [r3, :128]!
  vld2.32  {q11}, [r6, :128]!
  vld2.32  {q12}, [r5, :128]!
  vsub.f32 q1, q14, q13
  vld2.32  {q0}, [r9, :128]!
  subs     r11, r11, #1
  vsub.f32 q2,  q0,  q15
  vadd.f32 q0,  q0,  q15
  vmul.f32 d10, d2,  d17
  vmul.f32 d11, d3,  d16
  vmul.f32 d12, d3,  d17
  vmul.f32 d6,  d4,  d17
  vmul.f32 d7,  d5,  d16
  vmul.f32 d8,  d4,  d16
  vmul.f32 d9,  d5,  d17
  vmul.f32 d13, d2,  d16
  vsub.f32 d7,  d7,  d6
  vadd.f32 d11, d11, d10
  vsub.f32 q1,  q12, q11
  vsub.f32 q2,  q10, q9
  vadd.f32 d6,  d9,  d8
  vadd.f32 q4,  q14, q13
  vadd.f32 q11, q12, q11
  vadd.f32 q12, q10, q9
  vsub.f32 d10, d13, d12
  vsub.f32 q7,  q4,  q0
  vsub.f32 q9,  q12, q11
  vsub.f32 q13, q5,  q3
  vadd.f32 d29, d5,  d2
  vadd.f32 q5,  q5,  q3
  vadd.f32 q10, q4,  q0
  vadd.f32 q11, q12, q11
  vsub.f32 d31, d5,  d2
  vsub.f32 d28, d4,  d3
  vadd.f32 d30, d4,  d3
  vadd.f32 d5,  d19, d14
  vadd.f32 d7,  d31, d26
  vadd.f32 q1,  q14, q5
  vadd.f32 q0,  q11, q10
  vsub.f32 d6,  d30, d27
  vsub.f32 d4,  d18, d15
  vsub.f32 d13, d19, d14
  vadd.f32 d12, d18, d15
  vsub.f32 d15, d31, d26
  ldr      r2, [r12], #4
  vtrn.32  q1,  q3
  ldr      lr, [r12], #4
  vtrn.32  q0,  q2
  add      r2, r0, r2, lsl #2
  vsub.f32 q4,  q11, q10
  add      lr, r0, lr, lsl #2
  vsub.f32 q5,  q14, q5
  vadd.f32 d14, d30, d27
  vst2.32  {q0, q1}, [r2, :128]!
  vst2.32  {q2, q3}, [lr, :128]!
  vtrn.32  q4,  q6
  vtrn.32  q5,  q7
  vst2.32  {q4, q5}, [r2, :128]!
  vst2.32  {q6, q7}, [lr, :128]!
  bne      1b

@ assumes r0 = out 
@         
@         r12 = offsets
@         r3-r10 = data pointers
@         r11 = loop iterations
@         r2 & lr = temps
  .align 4
#ifdef __APPLE__
  .globl  _neon_oo
_neon_oo:
#else
  .globl  neon_oo
neon_oo:
#endif
1:
  vld2.32  {q8},  [r6, :128]!
  vld2.32  {q9},  [r5, :128]!
  vld2.32  {q10}, [r4, :128]!
  vld2.32  {q13}, [r3, :128]!
  vadd.f32 q11, q9,  q8
  vsub.f32 q8,  q9,  q8
  vsub.f32 q9,  q13, q10
  vadd.f32 q12, q13, q10
  subs     r11, r11, #1
  vld2.32  {q10}, [r7, :128]!
  vld2.32  {q13}, [r9, :128]!
  vsub.f32 q2,  q12, q11
  vsub.f32 d7,  d19, d16
  vadd.f32 d3,  d19, d16
  vadd.f32 d6,  d18, d17
  vsub.f32 d2,  d18, d17
  vld2.32  {q9}, [r8,  :128]!
  vld2.32  {q8}, [r10, :128]!
  vadd.f32 q0,  q12, q11
  vadd.f32 q11, q13, q8
  vadd.f32 q12, q10, q9
  vsub.f32 q8,  q13, q8
  vsub.f32 q9,  q10, q9
  vsub.f32 q6,  q12, q11
  vadd.f32 q4,  q12, q11
  vtrn.32  q0,  q2
  ldr      r2,  [r12], #4
  vsub.f32 d15, d19, d16
  ldr      lr,  [r12], #4
  vadd.f32 d11, d19, d16
  vadd.f32 d14, d18, d17
  vsub.f32 d10, d18, d17
  add      r2,  r0, r2, lsl #2
  vtrn.32  q1,  q3
  add      lr,  r0, lr, lsl #2
  vst2.32  {q0, q1}, [r2, :128]!
  vst2.32  {q2, q3}, [lr, :128]!
  vtrn.32  q4,  q6
  vtrn.32  q5,  q7
  vst2.32  {q4, q5}, [r2, :128]!
  vst2.32  {q6, q7}, [lr, :128]!
  bne      1b

@ assumes r0 = out 
@         
@         r12 = offsets
@         r3-r10 = data pointers
@         r11 = addr of twiddle 
@         r2 & lr = temps
  .align 4
#ifdef __APPLE__
  .globl  _neon_eo
_neon_eo:
#else
  .globl  neon_eo
neon_eo:
#endif
  vld2.32  {q9},  [r5, :128]!
  vld2.32  {q13}, [r3, :128]!
  vld2.32  {q12}, [r4, :128]!
  vld2.32  {q0},  [r7, :128]!
  vsub.f32 q11, q13, q12
  vld2.32  {q8},  [r6, :128]!
  vadd.f32 q12, q13, q12
  vsub.f32 q10, q9,  q8
  vadd.f32 q8,  q9,  q8
  vadd.f32 q9,  q12, q8
  vadd.f32 d9,  d23, d20
  vsub.f32 d11, d23, d20
  vsub.f32 q8,  q12, q8
  vsub.f32 d8,  d22, d21
  vadd.f32 d10, d22, d21
  ldr      r2,  [r12], #4
  vld1.32  {d20, d21}, [r11, :128]
  ldr      lr,  [r12], #4
  vtrn.32  q9,  q4
  add      r2,  r0, r2, lsl #2
  vtrn.32  q8,  q5
  add      lr,  r0, lr, lsl #2
  vswp     d9,  d10
  vst1.32  {d8, d9, d10, d11}, [lr, :128]!
  vld2.32  {q13}, [r10, :128]!
  vld2.32  {q15}, [r9,  :128]!
  vld2.32  {q11}, [r8,  :128]!
  vsub.f32 q14, q15, q13
  vsub.f32 q12, q0,  q11
  vadd.f32 q11, q0,  q11
  vadd.f32 q13, q15, q13
  vadd.f32 d13, d29, d24
  vadd.f32 q15, q13, q11
  vsub.f32 d12, d28, d25
  vsub.f32 d15, d29, d24
  vadd.f32 d14, d28, d25
  vtrn.32  q15, q6
  vsub.f32 q15, q13, q11
  vtrn.32  q15, q7
  vswp     d13, d14
  vst1.32  {d12, d13, d14, d15}, [lr, :128]!
  vtrn.32  q13, q14
  vtrn.32  q11, q12
  vmul.f32 d24, d26, d21
  vmul.f32 d28, d27, d20
  vmul.f32 d25, d26, d20
  vmul.f32 d26, d27, d21
  vmul.f32 d27, d22, d21
  vmul.f32 d30, d23, d20
  vmul.f32 d29, d23, d21
  vmul.f32 d22, d22, d20
  vsub.f32 d21, d28, d24
  vadd.f32 d20, d26, d25
  vadd.f32 d25, d30, d27
  vsub.f32 d24, d22, d29
  vadd.f32 q11, q12, q10
  vsub.f32 q10, q12, q10
  vadd.f32 q0,  q9,  q11
  vsub.f32 q2,  q9,  q11
  vadd.f32 d3,  d17, d20
  vsub.f32 d7,  d17, d20
  vsub.f32 d2,  d16, d21
  vadd.f32 d6,  d16, d21
  vswp     d1,  d2
  vswp     d5,  d6
  vstmia   r2!, {q0-q3}

@ assumes r0 = out 
@       
@         r12 = offsets
@         r3-r10 = data pointers
@         r11 = addr of twiddle 
@         r2 & lr = temps
  .align 4
#ifdef __APPLE__
  .globl  _neon_oe
_neon_oe:
#else
  .globl  neon_oe
neon_oe:
#endif
  vld1.32  {q8},  [r5,  :128]!
  vld1.32  {q10}, [r6,  :128]!
  vld2.32  {q11}, [r4,  :128]!
  vld2.32  {q13}, [r3,  :128]!
  vld2.32  {q15}, [r10, :128]!
  vorr     d25, d17, d17
  vorr     d24, d20, d20
  vorr     d20, d16, d16
  vsub.f32 q9,  q13, q11
  vadd.f32 q11, q13, q11
  ldr      r2,  [r12], #4
  vtrn.32  d24, d25
  ldr      lr,  [r12], #4
  vtrn.32  d20, d21
  add      r2,  r0,  r2, lsl #2
  vsub.f32 q8,  q10, q12
  add      lr,  r0,  lr, lsl #2
  vadd.f32 q10, q10, q12
  vadd.f32 q0,  q11, q10
  vadd.f32 d25, d19, d16
  vsub.f32 d27, d19, d16
  vsub.f32 q1,  q11, q10
  vsub.f32 d24, d18, d17
  vadd.f32 d26, d18, d17
  vtrn.32  q0,  q12
  vtrn.32  q1,  q13
  vld1.32  {d24, d25}, [r11, :128]
  vswp     d1, d2
  vst1.32  {q0,  q1},  [r2, :128]!
  vld2.32  {q0},  [r9, :128]!
  vadd.f32 q1,  q0, q15
  vld2.32  {q13}, [r8, :128]!
  vld2.32  {q14}, [r7, :128]!
  vsub.f32 q15, q0,  q15
  vsub.f32 q0,  q14, q13
  vadd.f32 q3,  q14, q13
  vadd.f32 q2,  q3,  q1
  vadd.f32 d29, d1,  d30
  vsub.f32 d27, d1,  d30
  vsub.f32 q3,  q3,  q1
  vsub.f32 d28, d0,  d31
  vadd.f32 d26, d0,  d31
  vtrn.32  q2,  q14
  vtrn.32  q3,  q13
  vswp     d5, d6
  vst1.32  {q2, q3}, [r2, :128]!
  vtrn.32  q11, q9
  vtrn.32  q10, q8
  vmul.f32 d20, d18, d25
  vmul.f32 d22, d19, d24
  vmul.f32 d21, d19, d25
  vmul.f32 d18, d18, d24
  vmul.f32 d19, d16, d25
  vmul.f32 d30, d17, d24
  vmul.f32 d23, d16, d24
  vmul.f32 d24, d17, d25
  vadd.f32 d17, d22, d20
  vsub.f32 d16, d18, d21
  vsub.f32 d21, d30, d19
  vadd.f32 d20, d24, d23
  vadd.f32 q9,  q8,  q10
  vsub.f32 q8,  q8,  q10
  vadd.f32 q4,  q14, q9
  vsub.f32 q6,  q14, q9
  vadd.f32 d11, d27, d16
  vsub.f32 d15, d27, d16
  vsub.f32 d10, d26, d17
  vadd.f32 d14, d26, d17
  vswp     d9,  d10
  vswp     d13, d14
  vstmia   lr!, {q4-q7}

  .align 4
#ifdef __APPLE__
  .globl  _neon_end
_neon_end:
#else
  .globl  neon_end
neon_end:
#endif
  bx lr

  .align 4
#ifdef __APPLE__
  .globl _neon_transpose4
_neon_transpose4:
#else
  .globl neon_transpose4
neon_transpose4:
#endif
  push    {r4-r6, lr}
  mov     r5, r3
1:
  mov     ip, r1
  add     lr, r1, r3, lsl #3
  mov     r4, r2
  add     r6, r0, r2, lsl #3
2:
  vld1.32 {q8, q9},  [r0, :128]!
  vld1.32 {q12,q13}, [r6, :128]!
  subs    r4, r4, #4
  vswp    d17, d24
  vswp    d19, d26
  vswp    d21, d28
  vswp    d23, d30
  vst1.32 {q8},  [ip, :128]
  vst1.32 {q12}, [lr, :128]
  add     ip, ip, r3, lsl #4
  add     lr, lr, r3, lsl #4
  vst1.32 {q9},  [ip, :128]
  vst1.32 {q13}, [lr, :128]
  add     ip, ip, r3, lsl #4
  add     lr, lr, r3, lsl #4
  bne     2b
  subs    r5, r5, #2
  add     r0, r0, r2, lsl #3
  add     r1, r1, #16
  bne     1b
  pop     {r4-r6, pc}

  .align 4
#ifdef __APPLE__
  .globl _neon_transpose8
_neon_transpose8:
#else
  .globl neon_transpose8
neon_transpose8:
#endif
  push    {r4-r12, lr}
  vpush   {q4-q7}

  @ initialize
  lsl     r2, r2, #3
  mul     lr, r2, r3
  lsl     r3, r3, #5
  add     r4, r0, r2
  lsl     ip, r2, #1
  add     r5, r1, r3, lsr #2
  add     r6, r1, r3, lsr #1
  add     r7, r5, r3, lsr #1
  sub     lr, r3, lr
  sub     ip, ip, #64
  sub     r8, r3, #48
  add     lr, lr, #16
1:
  @ process all but the last one
  subs    r11, r2, #64

  @ prefetch next rows 0-5
  pld     [r0]
  pld     [r4]
  pld     [r0, r2, lsl #1]
  pld     [r4, r2, lsl #1]
  pld     [r0, r2, lsl #2]
  pld     [r4, r2, lsl #2]

  @ if there is only the last one
  beq     3f
2:
  @ matrix 0&2 row 0-1
  vld1.32 {q0, q1}, [r0, :128]!
  vld1.32 {q2, q3}, [r4, :128]!
  vswp    d1, d4
  vswp    d3, d6
  vst1.32 {q0}, [r1, :128]!
  vst1.32 {q2}, [r5, :128]!
  vst1.32 {q1}, [r6, :128]!
  vst1.32 {q3}, [r7, :128]!

  @ matrix 1&3 row 0-1
  vld1.32 {q4, q5}, [r0, :128]!
  vld1.32 {q6, q7}, [r4, :128]!
  vswp    d9,  d12
  vswp    d11, d14

  @ prefetch next rows 0-1
  pld     [r0]
  pld     [r4]
  add     r9,  r0, ip
  add     r10, r4, ip

  @ matrix 0&2, row 2-3
  vld1.32 {q0, q1}, [r9,  :128]!
  vld1.32 {q2, q3}, [r10, :128]!
  vswp    d1, d4
  vswp    d3, d6
  vst1.32 {q0}, [r1, :128]!
  vst1.32 {q2}, [r5, :128]!
  vst1.32 {q1}, [r6, :128]!
  vst1.32 {q3}, [r7, :128]!

  @ matrix 1&3, row 2-3
  vld1.32 {q8,  q9},  [r9,  :128]!
  vld1.32 {q10, q11}, [r10, :128]!
  vswp    d17, d20
  vswp    d19, d22

  @ prefetch next rows 2-3
  pld     [r9]
  pld     [r10]
  add     r9,  r9,  ip
  add     r10, r10, ip

  @ matrix 0&2, row 4-5
  vld1.32 {q0, q1}, [r9,  :128]!
  vld1.32 {q2, q3}, [r10, :128]!
  vswp    d1, d4
  vswp    d3, d6
  vst1.32 {q0}, [r1, :128]!
  vst1.32 {q2}, [r5, :128]!
  vst1.32 {q1}, [r6, :128]!
  vst1.32 {q3}, [r7, :128]!

  @ matrix 1&3, row 4-5
  vld1.32 {q12, q13}, [r9,  :128]!
  vld1.32 {q14, q15}, [r10, :128]!
  vswp    d25, d28
  vswp    d27, d30

  @ prefetch next rows 4-5
  pld     [r9]
  pld     [r10]
  add     r9,  r9,  ip
  add     r10, r10, ip

  @ matrix 0&2, row 6-7
  vld1.32 {q0, q1}, [r9,  :128]!
  vld1.32 {q2, q3}, [r10, :128]!
  vswp    d1, d4
  vswp    d3, d6
  vst1.32 {q0}, [r1, :128], r8
  vst1.32 {q2}, [r5, :128], r8
  vst1.32 {q1}, [r6, :128], r8
  vst1.32 {q3}, [r7, :128], r8

  @ matrix 1&3, row 6-7
  vld1.32 {q0, q1}, [r9,  :128]!
  vld1.32 {q2, q3}, [r10, :128]!
  vswp    d1, d4
  vswp    d3, d6

  @ prefetch next rows 6-7
  pld     [r9]
  pld     [r10]

  subs    r11, r11, #64

  @ these could be replaced with VSTM, but that requires swaps
  vst1.32 {q4},  [r1, :128]!
  vst1.32 {q8},  [r1, :128]!
  vst1.32 {q12}, [r1, :128]!
  vst1.32 {q0},  [r1, :128], r8

  vst1.32 {q6},  [r5, :128]!
  vst1.32 {q10}, [r5, :128]!
  vst1.32 {q14}, [r5, :128]!
  vst1.32 {q2},  [r5, :128], r8

  vst1.32 {q5},  [r6, :128]!
  vst1.32 {q9},  [r6, :128]!
  vst1.32 {q13}, [r6, :128]!
  vst1.32 {q1},  [r6, :128], r8

  vst1.32 {q7},  [r7, :128]!
  vst1.32 {q11}, [r7, :128]!
  vst1.32 {q15}, [r7, :128]!
  vst1.32 {q3},  [r7, :128], r8

  @ process all but the last on row
  bne     2b
3:
  @ process the last one
  subs    r3, r3, #256

  @ matrix 0&2 row 0-1
  vld1.32 {q0, q1}, [r0, :128]!
  vld1.32 {q2, q3}, [r4, :128]!
  vswp    d1, d4
  vswp    d3, d6
  vst1.32 {q0}, [r1, :128]!
  vst1.32 {q2}, [r5, :128]!
  vst1.32 {q1}, [r6, :128]!
  vst1.32 {q3}, [r7, :128]!

  @ matrix 1&3 row 0-1
  vld1.32 {q4, q5}, [r0, :128]!
  vld1.32 {q6, q7}, [r4, :128]!
  vswp    d9,  d12
  vswp    d11, d14
  add     r9,  r0, ip
  add     r10, r4, ip

  @ matrix 0&2, row 2-3
  vld1.32 {q0, q1}, [r9,  :128]!
  vld1.32 {q2, q3}, [r10, :128]!
  vswp    d1, d4
  vswp    d3, d6
  vst1.32 {q0}, [r1, :128]!
  vst1.32 {q2}, [r5, :128]!
  vst1.32 {q1}, [r6, :128]!
  vst1.32 {q3}, [r7, :128]!

  @ matrix 1&3, row 2-3
  vld1.32 {q8,  q9},  [r9,  :128]!
  vld1.32 {q10, q11}, [r10, :128]!
  vswp    d17, d20
  vswp    d19, d22
  add     r9,  r9,  ip
  add     r10, r10, ip

  @ matrix 0&2, row 4-5
  vld1.32 {q0, q1}, [r9,  :128]!
  vld1.32 {q2, q3}, [r10, :128]!
  vswp    d1, d4
  vswp    d3, d6
  vst1.32 {q0}, [r1, :128]!
  vst1.32 {q2}, [r5, :128]!
  vst1.32 {q1}, [r6, :128]!
  vst1.32 {q3}, [r7, :128]!

  @ matrix 1&3, row 4-5
  vld1.32 {q12, q13}, [r9,  :128]!
  vld1.32 {q14, q15}, [r10, :128]!
  vswp    d25, d28
  vswp    d27, d30
  add     r9,  r9,  ip
  add     r10, r10, ip

  @ matrix 0&2, row 6-7
  vld1.32 {q0, q1}, [r9,  :128]!
  vld1.32 {q2, q3}, [r10, :128]!
  vswp    d1, d4
  vswp    d3, d6
  vst1.32 {q0}, [r1, :128], r8
  vst1.32 {q2}, [r5, :128], r8
  vst1.32 {q1}, [r6, :128], r8
  vst1.32 {q3}, [r7, :128], r8

  @ matrix 1&3, row 6-7
  vld1.32 {q0, q1}, [r9,  :128]!
  vld1.32 {q2, q3}, [r10, :128]!
  vswp    d1, d4
  vswp    d3, d6

  @ next row starts right after
  mov     r0, r10
  add     r4, r10, r2

  @ these could be replaced with VSTM, but that requires swaps
  vst1.32 {q4},  [r1, :128]!
  vst1.32 {q8},  [r1, :128]!
  vst1.32 {q12}, [r1, :128]!
  vst1.32 {q0},  [r1, :128], lr

  vst1.32 {q6},  [r5, :128]!
  vst1.32 {q10}, [r5, :128]!
  vst1.32 {q14}, [r5, :128]!
  vst1.32 {q2},  [r5, :128], lr

  vst1.32 {q5},  [r6, :128]!
  vst1.32 {q9},  [r6, :128]!
  vst1.32 {q13}, [r6, :128]!
  vst1.32 {q1},  [r6, :128], lr

  vst1.32 {q7},  [r7, :128]!
  vst1.32 {q11}, [r7, :128]!
  vst1.32 {q15}, [r7, :128]!
  vst1.32 {q3},  [r7, :128], lr

  @ process all columns
  bne     1b

  vpop    {q4-q7}
  pop     {r4-r12, pc}
OpenPOWER on IntegriCloud