!8960 [MSLITE] Optimize int8 matmul for arm32

From: @zhanyuan1
Reviewed-by: @zhanghaibo5,@zhang_xue_tong
Signed-off-by: @zhang_xue_tong

mindspore/lite/nnacl/assembly/arm32/MatmulInt8Opt.S

@@ -8,7 +8,7 @@
 .type MatmulInt8Neon32Opt, %function
 #endif
 
-//void MatmulInt8Opt(const int8_t *a, const int8_t *b, int8_t *dst, int row, int col, int deep16, 
+//void MatmulInt8Neon32Opt(const int8_t *a, const int8_t *b, int8_t *dst, int row, int col, int deep16, 
 //                         const int *input_sums, const int *weight_bias, int act_min, int act_max, int out_zp,
 //                         int *multiplier, int *left_shift, int *right_shift, int stride, int per_channel,
 //                         int *filter_zp);
@@ -21,6 +21,12 @@ MatmulInt8Neon32Opt:
   vpush {q4-q7}
   add sp, sp, #116
 
+  ldr r0, [sp, #-52]    // load a ptr
+  vld1.8 {d0, d1, d2, d3}, [r0]!
+
+  ldr r1, [sp, #-48]    // load b ptr
+  vld1.8 {d8, d9, d10, d11}, [r1]!
+
   ldr r4, [sp]            // col
   ldr r7, [sp, #40]       // output stride
   mov r8, #0              // output channels offset
@@ -32,15 +38,14 @@ L1:
   cmp r4, #0    // if at the end of col
   ble End1
 
-  ldr r0, [sp, #-52]   // reload a ptr
   ldr r3, [sp, #-40]   // reset row counter
   ldr r6, [sp, #8]      // reload intpu_sums ptr if per_tensor
 L2:
   cmp r3, #0    // if at the end of row
   ble End2
 
-  ldr r1, [sp, #-48]    // reload b ptr
   ldr r5, [sp, #4]      // reset deep16
+  sub r5, r5, #16
   vmov.i32 q6, #0
   vmov.i32 q7, #0
   vmov.i32 q8, #0
@@ -49,12 +54,10 @@ L2:
   vmov.i32 q11, #0
   vmov.i32 q12, #0
   vmov.i32 q13, #0
-L3:
-  cmp r5, #0
-  beq End3
 
-  vld1.8 {d0, d1, d2, d3}, [r0]!
-  vld1.8 {d8, d9, d10, d11}, [r1]!
+  cmp r5, #0
+  beq L3Tail
+L3:
   vmull.s8 q14, d0, d8
   vmull.s8 q2, d0, d10
   vmull.s8 q15, d2, d8
@@ -63,13 +66,47 @@ L3:
   vmlal.s8 q2, d1, d11
   vmlal.s8 q15, d3, d9
   vmlal.s8 q3, d3, d11
+  vld1.8 {d0, d1, d2, d3}, [r0]!
 
   vpadal.s16 q6, q14
   vpadal.s16 q7, q2
   vpadal.s16 q8, q15
   vpadal.s16 q9, q3
 
+  vmull.s8 q14, d0, d8
+  vmull.s8 q2, d0, d10
+  vmull.s8 q15, d2, d8
+  vmull.s8 q3, d2, d10
+  vmlal.s8 q14, d1, d9
+  vmlal.s8 q2, d1, d11
+  vmlal.s8 q15, d3, d9
+  vmlal.s8 q3, d3, d11
   vld1.8 {d0, d1, d2, d3}, [r0]!
+
+  vpadal.s16 q10, q14
+  vld1.8 {d8, d9, d10, d11}, [r1]!
+  vpadal.s16 q11, q2
+  vpadal.s16 q12, q15
+  vpadal.s16 q13, q3
+  sub r5, r5, #16  // deep16 -= 16
+  cmp r5, #0
+  bgt L3
+L3Tail:
+  vmull.s8 q14, d0, d8
+  vmull.s8 q2, d0, d10
+  vmull.s8 q15, d2, d8
+  vmull.s8 q3, d2, d10
+  vmlal.s8 q14, d1, d9
+  vmlal.s8 q2, d1, d11
+  vmlal.s8 q15, d3, d9
+  vmlal.s8 q3, d3, d11
+  vld1.8 {d0, d1, d2, d3}, [r0]!
+
+  vpadal.s16 q6, q14
+  vpadal.s16 q7, q2
+  vpadal.s16 q8, q15
+  vpadal.s16 q9, q3
+
   vmull.s8 q14, d0, d8
   vmull.s8 q2, d0, d10
   vmull.s8 q15, d2, d8
@@ -83,10 +120,7 @@ L3:
   vpadal.s16 q11, q2
   vpadal.s16 q12, q15
   vpadal.s16 q13, q3
-  sub r5, r5, #16  // deep16 -= 16
-  b L3
 
-End3:
   vpadd.i32 d0, d12, d13
   vpadd.i32 d1, d14, d15
   vpadd.i32 d2, d16, d17
@@ -101,7 +135,26 @@ End3:
   vpadd.i32 d30, d4, d5
   vpadd.i32 d31, d6, d7
 
-  // Add weight_bias
+  cmp r3, #4
+  ble LAST_ROW
+  
+  vld1.8 {d0, d1, d2, d3}, [r0]!
+  ldr r1, [sp, #-48]    // reload b ptr
+  vld1.8 {d8, d9, d10, d11}, [r1]!
+  b AddWeightBias
+
+LAST_ROW:
+  ldr r0, [sp, #-52]    // reload a ptr  
+  vld1.8 {d0, d1, d2, d3}, [r0]!
+  ldr r1, [sp, #-48]    // reload b ptr
+  ldr r9, [sp, #4]    
+  mov r10, #2
+  mul r9, r9, r10     // the stride of b
+  add r1, r1, r9      // b ptr + stride
+  str r1, [sp, #-48]    
+  vld1.8 {d8, d9, d10, d11}, [r1]!
+
+AddWeightBias:
   ldr r9, [sp, #12]     // reload weight_bias ptr
   add r9, r9, r8
   vld1.32 {d26}, [r9]!
@@ -148,9 +201,9 @@ PerTensor:
   vshr.s32 q6, q6, #31
   vqadd.s32 q14, q14, q6
   vrshl.s32 q14, q14, q7
-  vand q5, q7, q15
-  vshr.s32 q5, q5, #31
-  vqadd.s32 q15, q15, q5
+  vand q3, q7, q15
+  vshr.s32 q3, q3, #31
+  vqadd.s32 q15, q15, q3
   vrshl.s32 q15, q15, q7
   b AddDstZP
 
@@ -214,9 +267,9 @@ PerChannel:
 AddDstZP:
   // Add the destination zero point
   ldr r10, [sp, #24]
-  vdup.32 q4, r10
-  vadd.i32 q14, q14, q4
-  vadd.i32 q15, q15, q4
+  vdup.32 q2, r10
+  vadd.i32 q14, q14, q2
+  vadd.i32 q15, q15, q2
 
   // Apply the act_min bound
   ldr r10, [sp, #16]
@@ -276,12 +329,6 @@ EndWrite:
 
 End2:
   sub r4, r4, #2      // b col counter -= 2
-  ldr r1, [sp, #-48]  // load b ptr
-  ldr r9, [sp, #4]    
-  mov r10, #2
-  mul r9, r9, r10     // the stride of b
-  add r1, r1, r9      // b ptr + stride
-  str r1, [sp, #-48]  
   ldr r2, [sp, #-44]  // load dst ptr
   add r2, r2, #2      // dst ptr + offset
   str r2, [sp, #-44]