Update CPU kernels to remove x19 and w19

Resolves: COMPMID-5805

Change-Id: Idf720bbb136474810086f5089c5ed23b3f79835a
Signed-off-by: Michael Tyler <michael.tyler@arm.com>
Reviewed-on: https://review.mlplatform.org/c/ml/ComputeLibrary/+/9081
Benchmark: Arm Jenkins <bsgcomp@arm.com>
Tested-by: Arm Jenkins <bsgcomp@arm.com>
Comments-Addressed: Arm Jenkins <bsgcomp@arm.com>
Reviewed-by: Gunes Bayir <gunes.bayir@arm.com>
Reviewed-by: Viet-Hoa Do <viet-hoa.do@arm.com>

1 files changed, 444 insertions, 404 deletions

diff --git a/src/core/NEON/kernels/arm_conv/depthwise/kernels/sve_u8q_nhwc_3x3_s1_output2x2_dot_depthfirst/generic.cpp b/src/core/NEON/kernels/arm_conv/depthwise/kernels/sve_u8q_nhwc_3x3_s1_output2x2_dot_depthfirst/generic.cpp
index 440f57ed00..257c4d44dc 100644
--- a/src/core/NEON/kernels/arm_conv/depthwise/kernels/sve_u8q_nhwc_3x3_s1_output2x2_dot_depthfirst/generic.cpp
+++ b/src/core/NEON/kernels/arm_conv/depthwise/kernels/sve_u8q_nhwc_3x3_s1_output2x2_dot_depthfirst/generic.cpp
@@ -1,5 +1,5 @@
 /*
- * Copyright (c) 2021-2022 Arm Limited.
+ * Copyright (c) 2021-2023 Arm Limited.
  *
  * SPDX-License-Identifier: MIT
  *
@@ -41,421 +41,461 @@ void sve_u8q_nhwc_3x3_s1_output2x2_dot_depthfirst_impl(
 )
 {
   __asm__ __volatile__(
-    "ldp x11, x10, [%x[inptrs], #0x0]\n"
-    "ptrue p2.b\n"
-    "ldp x9, x28, [%x[inptrs], #0x10]\n"
-    "addvl SP, SP, #-8\n"
-    "ldp x27, x26, [%x[inptrs], #0x20]\n"
-    "mov x19, #0x1\n"
-    "ldp x25, x24, [%x[inptrs], #0x30]\n"
-    "orr x19, x19, #0x100\n"
-    "ldp x23, x22, [%x[outptrs], #0x0]\n"
-    "orr x19, x19, #0x10000\n"
-    "dup z12.s, w19\n"
-    "ldp x21, x20, [%x[outptrs], #0x10]\n"
-    "mov x19, #0x0\n"
-    "ld1rw { z11.s }, p2/Z, [%x[qp], %[offsetof_Requantize32_minval]]\n"
-    "whilelt p1.b, x19, %x[n_channels]\n"
-    "ld1rw { z10.s }, p2/Z, [%x[qp], %[offsetof_Requantize32_maxval]]\n"
-    "ld1rw { z9.s }, p2/Z, [%x[qp], %[offsetof_Requantize32_b_offset]]\n"
-    "ld1rw { z8.s }, p2/Z, [%x[qp], %[offsetof_Requantize32_c_offset]]\n"
+    "mov x13, #0x0\n"
+    "whilelt p2.b, x13, %x[n_channels]\n"
+    "ldp x12, x11, [%x[inptrs], #0x0]\n"
+    "ldp x10, x9, [%x[inptrs], #0x10]\n"
+    "ldp x28, x27, [%x[inptrs], #0x20]\n"
+    "ldp x26, x25, [%x[inptrs], #0x30]\n"
+    "mov x20, #0x1\n"
+    "ptrue p1.b\n"
+    "ldp x24, x23, [%x[outptrs], #0x0]\n"
+    "ldp x22, x21, [%x[outptrs], #0x10]\n"
+    "orr x20, x20, #0x100\n"
+    "orr x20, x20, #0x10000\n"
+    "ld1b { z14.b }, p2/Z, [x12, x13]\n"
+    "ld1b { z13.b }, p2/Z, [x11, x13]\n"
+    "dup z12.s, w20\n"
+    "mov x20, #0x0\n"
+    "ldp x12, x11, [%x[inptrs], #0x40]\n"
+    "ld1b { z11.b }, p2/Z, [x10, x13]\n"
+    "zip2 z10.b, z14.b, z11.b\n"
+    "zip1 z14.b, z14.b, z11.b\n"
+    "ld1b { z9.b }, p2/Z, [x9, x13]\n"
+    "ldp x10, x9, [%x[inptrs], #0x50]\n"
+    "zip1 z11.b, z13.b, z9.b\n"
+    "zip2 z9.b, z13.b, z9.b\n"
+    "ld1b { z8.b }, p2/Z, [x28, x13]\n"
+    "ld1b { z7.b }, p2/Z, [x27, x13]\n"
+    "zip2 z13.b, z14.b, z11.b\n"
+    "zip1 z14.b, z14.b, z11.b\n"
+    "ldp x28, x27, [%x[inptrs], #0x60]\n"
+    "ld1b { z6.b }, p2/Z, [x26, x13]\n"
+    "zip1 z11.b, z10.b, z9.b\n"
+    "zip2 z9.b, z10.b, z9.b\n"
+    "ld1b { z5.b }, p2/Z, [x25, x13]\n"
+    "ldp x26, x25, [%x[inptrs], #0x70]\n"
+    "zip2 z4.b, z8.b, z6.b\n"
+    "zip1 z8.b, z8.b, z6.b\n"
+    "ld1b { z3.b }, p2/Z, [x12, x13]\n"
+    "ld1b { z2.b }, p2/Z, [x11, x13]\n"
+    "zip1 z6.b, z7.b, z5.b\n"
+    "zip2 z5.b, z7.b, z5.b\n"
+    "ld1b { z1.b }, p2/Z, [x10, x13]\n"
+    "ld1b { z0.b }, p2/Z, [x9, x13]\n"
+    "zip2 z31.b, z3.b, z1.b\n"
+    "zip1 z3.b, z3.b, z1.b\n"
+    "ld1b { z30.b }, p2/Z, [x28, x13]\n"
+    "ld1b { z29.b }, p2/Z, [x27, x13]\n"
+    "zip1 z1.b, z2.b, z0.b\n"
+    "zip2 z0.b, z2.b, z0.b\n"
+    "ld1b { z28.b }, p2/Z, [x26, x13]\n"
+    "ld1b { z27.b }, p2/Z, [x25, x13]\n"
+    "zip2 z26.b, z30.b, z28.b\n"
+    "zip1 z30.b, z30.b, z28.b\n"
+    "zip1 z28.b, z29.b, z27.b\n"
+    "zip2 z27.b, z29.b, z27.b\n"
+    "ld1w { z10.s }, p1/Z, [%x[params]]\n"
+    "ld1rw { z25.s }, p1/Z, [%x[qp], %[offsetof_Requantize32_minval]]\n"
+    "ld1rw { z24.s }, p1/Z, [%x[qp], %[offsetof_Requantize32_maxval]]\n"
+    "ld1rw { z23.s }, p1/Z, [%x[qp], %[offsetof_Requantize32_b_offset]]\n"
+    "zip2 z7.b, z8.b, z6.b\n"
+    "zip1 z8.b, z8.b, z6.b\n"
+    "ld1rw { z22.s }, p1/Z, [%x[qp], %[offsetof_Requantize32_c_offset]]\n"
+    "ldp x12, x11, [%x[inptrs], #0x0]\n"
+    "zip1 z6.b, z4.b, z5.b\n"
+    "zip2 z5.b, z4.b, z5.b\n"
+    "ldp x10, x9, [%x[inptrs], #0x10]\n"
+    "ldp x28, x27, [%x[inptrs], #0x20]\n"
+    "zip2 z2.b, z3.b, z1.b\n"
+    "zip1 z3.b, z3.b, z1.b\n"
+    "ldp x26, x25, [%x[inptrs], #0x30]\n"
+    "zip1 z1.b, z31.b, z0.b\n"
+    "zip2 z0.b, z31.b, z0.b\n"
+    "ld1b { z21.b }, p1/Z, [%x[params], #1, MUL VL]\n"
+    "zip2 z29.b, z30.b, z28.b\n"
+    "zip1 z30.b, z30.b, z28.b\n"
+    "ld1b { z16.b }, p1/Z, [%x[params], #2, MUL VL]\n"
+    "ld1b { z20.b }, p1/Z, [%x[params], #3, MUL VL]\n"
+    "zip1 z28.b, z26.b, z27.b\n"
+    "zip2 z27.b, z26.b, z27.b\n"
+    "addvl %x[params], %x[params], #4\n"
+    "mov z4.d, z10.d\n"
+    "mov z31.d, z10.d\n"
+    "mov z26.d, z10.d\n"
     "1:"  // Loop
-    "mov z7.s, #0x0\n"
-    "ld1b { z19.b }, p1/Z, [x11, x19]\n"
-    "whilelt p0.s, x19, %x[n_channels]\n"
-    "mov z6.s, #0x0\n"
-    "ld1b { z18.b }, p1/Z, [x10, x19]\n"
-    "ldp x11, x10, [%x[inptrs], #0x40]\n"
-    "ld1b { z16.b }, p1/Z, [x9, x19]\n"
-    "zip1 z21.b, z19.b, z16.b\n"
-    "ld1b { z17.b }, p1/Z, [x28, x19]\n"
-    "zip2 z19.b, z19.b, z16.b\n"
-    "ldp x9, x28, [%x[inptrs], #0x50]\n"
-    "ld1b { z23.b }, p1/Z, [x27, x19]\n"
-    "zip1 z16.b, z18.b, z17.b\n"
-    "ld1b { z20.b }, p1/Z, [x26, x19]\n"
-    "zip2 z18.b, z18.b, z17.b\n"
-    "ldp x27, x26, [%x[inptrs], #0x60]\n"
-    "zip1 z5.b, z21.b, z16.b\n"
-    "ld1b { z17.b }, p1/Z, [x25, x19]\n"
-    "zip2 z4.b, z21.b, z16.b\n"
-    "ld1b { z16.b }, p1/Z, [x24, x19]\n"
-    "zip1 z29.b, z19.b, z18.b\n"
-    "ldp x25, x24, [%x[inptrs], #0x70]\n"
-    "zip2 z28.b, z19.b, z18.b\n"
-    "ld1b { z22.b }, p1/Z, [x11, x19]\n"
-    "zip1 z19.b, z23.b, z17.b\n"
-    "ld1b { z21.b }, p1/Z, [x10, x19]\n"
-    "zip2 z27.b, z23.b, z17.b\n"
-    "ldp x11, x10, [%x[inptrs], #0x0]\n"
-    "zip1 z18.b, z20.b, z16.b\n"
-    "ld1b { z17.b }, p1/Z, [x9, x19]\n"
-    "zip2 z20.b, z20.b, z16.b\n"
-    "ld1b { z16.b }, p1/Z, [x28, x19]\n"
-    "zip1 z3.b, z19.b, z18.b\n"
-    "ldp x9, x28, [%x[inptrs], #0x10]\n"
-    "zip2 z2.b, z19.b, z18.b\n"
-    "ld1b { z19.b }, p1/Z, [x27, x19]\n"
-    "zip1 z26.b, z22.b, z17.b\n"
-    "ld1b { z25.b }, p1/Z, [x26, x19]\n"
-    "zip2 z24.b, z22.b, z17.b\n"
-    "ldp x27, x26, [%x[inptrs], #0x20]\n"
-    "zip1 z23.b, z21.b, z16.b\n"
-    "ld1b { z18.b }, p1/Z, [x25, x19]\n"
-    "zip2 z22.b, z21.b, z16.b\n"
-    "ld1b { z21.b }, p1/Z, [x24, x19]\n"
-    "zip1 z17.b, z27.b, z20.b\n"
-    "ldp x25, x24, [%x[inptrs], #0x30]\n"
-    "zip2 z16.b, z27.b, z20.b\n"
-    "st1b { z29.b }, p2, [SP]\n"
-    "zip1 z20.b, z19.b, z18.b\n"
-    "st1b { z28.b }, p2, [SP, #1, MUL VL]\n"
-    "zip2 z19.b, z19.b, z18.b\n"
-    "st1b { z17.b }, p2, [SP, #2, MUL VL]\n"
-    "zip1 z18.b, z25.b, z21.b\n"
-    "st1b { z16.b }, p2, [SP, #3, MUL VL]\n"
-    "zip2 z17.b, z25.b, z21.b\n"
-    "ld1w { z1.s }, p2/Z, [%x[params]]\n"
-    "zip1 z0.b, z26.b, z23.b\n"
-    "ld1b { z31.b }, p2/Z, [%x[params], #1, MUL VL]\n"
-    "zip2 z30.b, z26.b, z23.b\n"
-    "ld1b { z29.b }, p2/Z, [%x[params], #2, MUL VL]\n"
-    "zip1 z16.b, z24.b, z22.b\n"
-    "st1b { z16.b }, p2, [SP, #4, MUL VL]\n"
-    "zip2 z16.b, z24.b, z22.b\n"
-    "st1b { z16.b }, p2, [SP, #5, MUL VL]\n"
-    "zip1 z28.b, z20.b, z18.b\n"
-    "ld1b { z27.b }, p2/Z, [%x[params], #3, MUL VL]\n"
-    "zip2 z26.b, z20.b, z18.b\n"
-    "ld1w { z25.s }, p2/Z, [%x[params], #4, MUL VL]\n"
-    "zip1 z16.b, z19.b, z17.b\n"
-    "st1b { z16.b }, p2, [SP, #6, MUL VL]\n"
-    "zip2 z16.b, z19.b, z17.b\n"
-    "st1b { z16.b }, p2, [SP, #7, MUL VL]\n"
-    "mov z24.d, z1.d\n"
-    "ld1w { z23.s }, p2/Z, [%x[params], #5, MUL VL]\n"
-    "mov z22.d, z1.d\n"
-    "mov z21.d, z1.d\n"
-    "udot z1.s, z31.b, z5.b\n"
-    "udot z22.s, z31.b, z3.b\n"
-    "udot z7.s, z12.b, z3.b\n"
-    "udot z1.s, z29.b, z3.b\n"
+    "mov z19.s, #0x0\n"
+    "udot z19.s, z12.b, z8.b\n"
+    "udot z10.s, z21.b, z14.b\n"
+    "whilelt p0.s, x20, %x[n_channels]\n"
+    "udot z19.s, z12.b, z3.b\n"
+    "udot z31.s, z21.b, z8.b\n"
+    "incw x13, ALL, MUL #4\n"
+    "udot z10.s, z16.b, z8.b\n"
+    "ext z8.b, z8.b, z8.b, #0x1\n"
+    "movprfx z18, z19\n udot z18.s, z12.b, z30.b\n"
+    "udot z19.s, z12.b, z14.b\n"
+    "ext z14.b, z14.b, z14.b, #0x1\n"
+    "udot z31.s, z16.b, z3.b\n"
+    "udot z10.s, z20.b, z3.b\n"
     "ext z3.b, z3.b, z3.b, #0x1\n"
-    "udot z22.s, z29.b, z0.b\n"
-    "udot z7.s, z12.b, z0.b\n"
-    "udot z1.s, z27.b, z0.b\n"
-    "ext z0.b, z0.b, z0.b, #0x1\n"
-    "udot z22.s, z27.b, z28.b\n"
-    "mov z20.d, z7.d\n"
-    "udot z7.s, z12.b, z5.b\n"
-    "udot z20.s, z12.b, z28.b\n"
-    "ext z5.b, z5.b, z5.b, #0x1\n"
-    "ext z28.b, z28.b, z28.b, #0x1\n"
-    "udot z21.s, z31.b, z3.b\n"
-    "udot z6.s, z12.b, z3.b\n"
-    "udot z24.s, z31.b, z5.b\n"
-    "ld1b { z31.b }, p2/Z, [%x[params], #7, MUL VL]\n"
-    "mls z1.s, p2/M, z7.s, z9.s\n"
-    "udot z21.s, z29.b, z0.b\n"
-    "udot z6.s, z12.b, z0.b\n"
-    "udot z24.s, z29.b, z3.b\n"
-    "ld1b { z3.b }, p2/Z, [SP, #2, MUL VL]\n"
-    ".inst 0x04b97421  // sqrdmulh z1.s, z1.s, z25.s\n"
-    "udot z21.s, z27.b, z28.b\n"
-    "mov z19.d, z6.d\n"
-    "udot z24.s, z27.b, z0.b\n"
-    "ld1b { z0.b }, p2/Z, [SP, #4, MUL VL]\n"
-    "udot z6.s, z12.b, z5.b\n"
-    "ld1b { z5.b }, p2/Z, [SP]\n"
-    "udot z19.s, z12.b, z28.b\n"
-    "ld1b { z28.b }, p2/Z, [SP, #6, MUL VL]\n"
-    "and z16.d, z1.d, z23.d\n"
-    "asr z16.s, z16.s, #0x1f\n"
-    "mov z7.s, #0x0\n"
-    "mls z24.s, p2/M, z6.s, z9.s\n"
-    "udot z7.s, z12.b, z2.b\n"
-    "mov z6.s, #0x0\n"
-    "mls z22.s, p2/M, z20.s, z9.s\n"
-    ".inst 0x04b97718  // sqrdmulh z24.s, z24.s, z25.s\n"
-    "sqadd z1.s, z1.s, z16.s\n"
-    "udot z7.s, z12.b, z30.b\n"
-    ".inst 0x04b976d6  // sqrdmulh z22.s, z22.s, z25.s\n"
-    "and z18.d, z24.d, z23.d\n"
-    "asr z18.s, z18.s, #0x1f\n"
-    "and z17.d, z22.d, z23.d\n"
-    "mov z20.d, z7.d\n"
-    "asr z17.s, z17.s, #0x1f\n"
-    "udot z7.s, z12.b, z4.b\n"
-    "udot z20.s, z12.b, z26.b\n"
-    "mls z21.s, p2/M, z19.s, z9.s\n"
-    "sqadd z24.s, z24.s, z18.s\n"
-    ".inst 0x44828ae1  // srshl z1.s, p2/M, z1.s, z23.s\n"
-    "sqadd z22.s, z22.s, z17.s\n"
-    ".inst 0x04b976b5  // sqrdmulh z21.s, z21.s, z25.s\n"
-    ".inst 0x44828af8  // srshl z24.s, p2/M, z24.s, z23.s\n"
-    "add z1.s, z1.s, z8.s\n"
-    "and z16.d, z21.d, z23.d\n"
+    "udot z4.s, z21.b, z14.b\n"
+    "udot z26.s, z21.b, z8.b\n"
+    "mov z17.s, #0x0\n"
+    "udot z17.s, z12.b, z8.b\n"
+    "udot z17.s, z12.b, z3.b\n"
+    "udot z31.s, z20.b, z30.b\n"
+    "ext z30.b, z30.b, z30.b, #0x1\n"
+    "udot z4.s, z16.b, z8.b\n"
+    "udot z26.s, z16.b, z3.b\n"
+    "ld1w { z8.s }, p1/Z, [%x[params], #1, MUL VL]\n"
+    "mls z10.s, p1/M, z19.s, z23.s\n"
+    "movprfx z16, z17\n udot z16.s, z12.b, z30.b\n"
+    "mov z19.s, #0x0\n"
+    "udot z17.s, z12.b, z14.b\n"
+    "ld1w { z14.s }, p1/Z, [%x[params]]\n"
+    "udot z4.s, z20.b, z3.b\n"
+    ".inst 0x04ae754a  // sqrdmulh z10.s, z10.s, z14.s\n"
+    "udot z26.s, z20.b, z30.b\n"
+    "mls z4.s, p1/M, z17.s, z23.s\n"
+    "and z21.d, z10.d, z8.d\n"
+    "mls z31.s, p1/M, z18.s, z23.s\n"
+    "mls z26.s, p1/M, z16.s, z23.s\n"
+    "asr z21.s, z21.s, #0x1f\n"
+    ".inst 0x04ae7484  // sqrdmulh z4.s, z4.s, z14.s\n"
+    ".inst 0x04ae77ff  // sqrdmulh z31.s, z31.s, z14.s\n"
+    "udot z19.s, z12.b, z7.b\n"
+    ".inst 0x04ae775a  // sqrdmulh z26.s, z26.s, z14.s\n"
+    "sqadd z10.s, z10.s, z21.s\n"
+    ".inst 0x4482850a  // srshl z10.s, p1/M, z10.s, z8.s\n"
+    "udot z19.s, z12.b, z2.b\n"
+    "and z16.d, z4.d, z8.d\n"
+    "and z20.d, z31.d, z8.d\n"
+    "movprfx z18, z19\n udot z18.s, z12.b, z29.b\n"
+    "ld1w { z14.s }, p1/Z, [%x[params], #6, MUL VL]\n"
+    "and z21.d, z26.d, z8.d\n"
     "asr z16.s, z16.s, #0x1f\n"
-    "add z24.s, z24.s, z8.s\n"
-    "smax z1.s, p2/M, z1.s, z11.s\n"
-    ".inst 0x44828af6  // srshl z22.s, p2/M, z22.s, z23.s\n"
-    "smax z24.s, p2/M, z24.s, z11.s\n"
-    "smin z1.s, p2/M, z1.s, z10.s\n"
-    "st1b { z1.s }, p0, [x23, x19]\n"
-    "add z22.s, z22.s, z8.s\n"
-    "sqadd z21.s, z21.s, z16.s\n"
-    "ld1w { z1.s }, p2/Z, [%x[params], #6, MUL VL]\n"
-    "addvl %x[params], %x[params], #16\n"
-    "smin z24.s, p2/M, z24.s, z10.s\n"
-    "ld1b { z29.b }, p2/Z, [%x[params], #-8, MUL VL]\n"
-    "ld1b { z27.b }, p2/Z, [%x[params], #-7, MUL VL]\n"
-    "smax z22.s, p2/M, z22.s, z11.s\n"
-    "ld1w { z25.s }, p2/Z, [%x[params], #-6, MUL VL]\n"
-    ".inst 0x44828af5  // srshl z21.s, p2/M, z21.s, z23.s\n"
-    "ld1w { z23.s }, p2/Z, [%x[params], #-5, MUL VL]\n"
-    "smin z22.s, p2/M, z22.s, z10.s\n"
-    "st1b { z24.s }, p0, [x22, x19]\n"
-    "mov z24.d, z1.d\n"
-    "st1b { z22.s }, p0, [x21, x19]\n"
-    "add z21.s, z21.s, z8.s\n"
-    "mov z22.d, z1.d\n"
-    "udot z22.s, z31.b, z2.b\n"
-    "smax z21.s, p2/M, z21.s, z11.s\n"
-    "udot z22.s, z29.b, z30.b\n"
-    "smin z21.s, p2/M, z21.s, z10.s\n"
-    "st1b { z21.s }, p0, [x20, x19]\n"
-    "mov z21.d, z1.d\n"
-    "incw x19\n"
-    "udot z1.s, z31.b, z4.b\n"
-    "whilelt p0.s, x19, %x[n_channels]\n"
-    "udot z22.s, z27.b, z26.b\n"
-    "ext z4.b, z4.b, z4.b, #0x1\n"
-    "ext z26.b, z26.b, z26.b, #0x1\n"
-    "udot z1.s, z29.b, z2.b\n"
+    "udot z19.s, z12.b, z13.b\n"
+    "asr z20.s, z20.s, #0x1f\n"
+    "asr z21.s, z21.s, #0x1f\n"
+    "sqadd z4.s, z4.s, z16.s\n"
+    "sqadd z31.s, z31.s, z20.s\n"
+    ".inst 0x44828504  // srshl z4.s, p1/M, z4.s, z8.s\n"
+    ".inst 0x4482851f  // srshl z31.s, p1/M, z31.s, z8.s\n"
+    "sqadd z26.s, z26.s, z21.s\n"
+    "add z10.s, z10.s, z22.s\n"
+    ".inst 0x4482851a  // srshl z26.s, p1/M, z26.s, z8.s\n"
+    "smax z10.s, p1/M, z10.s, z25.s\n"
+    "add z4.s, z4.s, z22.s\n"
+    "add z31.s, z31.s, z22.s\n"
+    "smin z10.s, p1/M, z10.s, z24.s\n"
+    "smax z4.s, p1/M, z4.s, z25.s\n"
+    "add z26.s, z26.s, z22.s\n"
+    "smax z31.s, p1/M, z31.s, z25.s\n"
+    "smax z26.s, p1/M, z26.s, z25.s\n"
+    "st1b { z10.s }, p0, [x24, x20]\n"
+    "ld1w { z10.s }, p1/Z, [%x[params], #2, MUL VL]\n"
+    "ld1b { z21.b }, p1/Z, [%x[params], #3, MUL VL]\n"
+    "smin z4.s, p1/M, z4.s, z24.s\n"
+    "smin z31.s, p1/M, z31.s, z24.s\n"
+    "smin z26.s, p1/M, z26.s, z24.s\n"
+    "st1b { z4.s }, p0, [x23, x20]\n"
+    "mov z4.d, z10.d\n"
+    "ld1b { z16.b }, p1/Z, [%x[params], #4, MUL VL]\n"
+    "st1b { z31.s }, p0, [x22, x20]\n"
+    "mov z31.d, z10.d\n"
+    "udot z31.s, z21.b, z7.b\n"
+    "ld1b { z20.b }, p1/Z, [%x[params], #5, MUL VL]\n"
+    "st1b { z26.s }, p0, [x21, x20]\n"
+    "mov z26.d, z10.d\n"
+    "udot z10.s, z21.b, z13.b\n"
+    "udot z10.s, z16.b, z7.b\n"
+    "ext z13.b, z13.b, z13.b, #0x1\n"
+    "ext z7.b, z7.b, z7.b, #0x1\n"
+    "udot z4.s, z21.b, z13.b\n"
+    "ld1w { z8.s }, p1/Z, [%x[params], #7, MUL VL]\n"
+    "mov z17.s, #0x0\n"
+    "udot z26.s, z21.b, z7.b\n"
+    "udot z17.s, z12.b, z7.b\n"
+    "incw x20\n"
+    "udot z31.s, z16.b, z2.b\n"
+    "udot z10.s, z20.b, z2.b\n"
     "ext z2.b, z2.b, z2.b, #0x1\n"
-    "udot z24.s, z31.b, z4.b\n"
-    "mls z22.s, p2/M, z20.s, z9.s\n"
-    "udot z1.s, z27.b, z30.b\n"
-    "ext z30.b, z30.b, z30.b, #0x1\n"
-    "udot z21.s, z31.b, z2.b\n"
-    "ld1b { z31.b }, p2/Z, [%x[params], #-3, MUL VL]\n"
-    "udot z24.s, z29.b, z2.b\n"
-    "udot z6.s, z12.b, z2.b\n"
-    "ld1b { z2.b }, p2/Z, [SP, #3, MUL VL]\n"
-    ".inst 0x04b976d6  // sqrdmulh z22.s, z22.s, z25.s\n"
-    "udot z21.s, z29.b, z30.b\n"
-    "ld1b { z29.b }, p2/Z, [%x[params], #-2, MUL VL]\n"
-    "udot z24.s, z27.b, z30.b\n"
-    "udot z6.s, z12.b, z30.b\n"
-    "ld1b { z30.b }, p2/Z, [SP, #5, MUL VL]\n"
-    "and z17.d, z22.d, z23.d\n"
-    "asr z17.s, z17.s, #0x1f\n"
-    "udot z21.s, z27.b, z26.b\n"
-    "ld1b { z27.b }, p2/Z, [%x[params], #-1, MUL VL]\n"
-    "mov z19.d, z6.d\n"
-    "udot z6.s, z12.b, z4.b\n"
-    "ld1b { z4.b }, p2/Z, [SP, #1, MUL VL]\n"
-    "udot z19.s, z12.b, z26.b\n"
-    "ld1b { z26.b }, p2/Z, [SP, #7, MUL VL]\n"
-    "mls z1.s, p2/M, z7.s, z9.s\n"
-    "mov z7.s, #0x0\n"
-    "sqadd z22.s, z22.s, z17.s\n"
-    "udot z7.s, z12.b, z3.b\n"
-    ".inst 0x04b97421  // sqrdmulh z1.s, z1.s, z25.s\n"
-    "mls z24.s, p2/M, z6.s, z9.s\n"
-    "mov z6.s, #0x0\n"
-    "udot z7.s, z12.b, z0.b\n"
-    "and z16.d, z1.d, z23.d\n"
+    "whilelt p0.s, x20, %x[n_channels]\n"
+    "udot z4.s, z16.b, z7.b\n"
+    "udot z26.s, z16.b, z2.b\n"
+    "addvl %x[params], %x[params], #16\n"
+    "udot z17.s, z12.b, z2.b\n"
+    "udot z31.s, z20.b, z29.b\n"
+    "ext z29.b, z29.b, z29.b, #0x1\n"
+    "mls z10.s, p1/M, z19.s, z23.s\n"
+    "udot z4.s, z20.b, z2.b\n"
+    ".inst 0x04ae754a  // sqrdmulh z10.s, z10.s, z14.s\n"
+    "udot z26.s, z20.b, z29.b\n"
+    "movprfx z16, z17\n udot z16.s, z12.b, z29.b\n"
+    "and z21.d, z10.d, z8.d\n"
+    "udot z17.s, z12.b, z13.b\n"
+    "mls z4.s, p1/M, z17.s, z23.s\n"
+    "asr z21.s, z21.s, #0x1f\n"
+    "mls z31.s, p1/M, z18.s, z23.s\n"
+    "mls z26.s, p1/M, z16.s, z23.s\n"
+    ".inst 0x04ae7484  // sqrdmulh z4.s, z4.s, z14.s\n"
+    ".inst 0x04ae77ff  // sqrdmulh z31.s, z31.s, z14.s\n"
+    ".inst 0x04ae775a  // sqrdmulh z26.s, z26.s, z14.s\n"
+    "ld1w { z14.s }, p1/Z, [%x[params], #-4, MUL VL]\n"
+    "sqadd z10.s, z10.s, z21.s\n"
+    "and z16.d, z4.d, z8.d\n"
+    ".inst 0x4482850a  // srshl z10.s, p1/M, z10.s, z8.s\n"
+    "and z20.d, z31.d, z8.d\n"
+    "and z21.d, z26.d, z8.d\n"
     "asr z16.s, z16.s, #0x1f\n"
-    ".inst 0x04b97718  // sqrdmulh z24.s, z24.s, z25.s\n"
-    "mov z20.d, z7.d\n"
-    "udot z7.s, z12.b, z5.b\n"
-    "udot z20.s, z12.b, z28.b\n"
-    "mls z21.s, p2/M, z19.s, z9.s\n"
-    "and z18.d, z24.d, z23.d\n"
-    "asr z18.s, z18.s, #0x1f\n"
-    "sqadd z1.s, z1.s, z16.s\n"
-    ".inst 0x04b976b5  // sqrdmulh z21.s, z21.s, z25.s\n"
-    "ld1w { z25.s }, p2/Z, [%x[params]]\n"
-    ".inst 0x44828af6  // srshl z22.s, p2/M, z22.s, z23.s\n"
-    "and z16.d, z21.d, z23.d\n"
+    "asr z20.s, z20.s, #0x1f\n"
+    "asr z21.s, z21.s, #0x1f\n"
+    "sqadd z4.s, z4.s, z16.s\n"
+    ".inst 0x44828504  // srshl z4.s, p1/M, z4.s, z8.s\n"
+    "ld1b { z16.b }, p1/Z, [%x[params], #-6, MUL VL]\n"
+    "sqadd z31.s, z31.s, z20.s\n"
+    "sqadd z26.s, z26.s, z21.s\n"
+    ".inst 0x4482851f  // srshl z31.s, p1/M, z31.s, z8.s\n"
+    ".inst 0x4482851a  // srshl z26.s, p1/M, z26.s, z8.s\n"
+    "add z10.s, z10.s, z22.s\n"
+    "smax z10.s, p1/M, z10.s, z25.s\n"
+    "add z4.s, z4.s, z22.s\n"
+    "smin z10.s, p1/M, z10.s, z24.s\n"
+    "add z31.s, z31.s, z22.s\n"
+    "add z26.s, z26.s, z22.s\n"
+    "smax z4.s, p1/M, z4.s, z25.s\n"
+    "smax z31.s, p1/M, z31.s, z25.s\n"
+    "mov z19.s, #0x0\n"
+    "udot z19.s, z12.b, z6.b\n"
+    "smax z26.s, p1/M, z26.s, z25.s\n"
+    "st1b { z10.s }, p0, [x24, x20]\n"
+    "ld1w { z10.s }, p1/Z, [%x[params], #-8, MUL VL]\n"
+    "ld1b { z21.b }, p1/Z, [%x[params], #-7, MUL VL]\n"
+    "smin z4.s, p1/M, z4.s, z24.s\n"
+    "smin z31.s, p1/M, z31.s, z24.s\n"
+    "smin z26.s, p1/M, z26.s, z24.s\n"
+    "st1b { z4.s }, p0, [x23, x20]\n"
+    "mov z4.d, z10.d\n"
+    "udot z19.s, z12.b, z1.b\n"
+    "st1b { z31.s }, p0, [x22, x20]\n"
+    "mov z31.d, z10.d\n"
+    "udot z31.s, z21.b, z6.b\n"
+    "movprfx z18, z19\n udot z18.s, z12.b, z28.b\n"
+    "st1b { z26.s }, p0, [x21, x20]\n"
+    "mov z26.d, z10.d\n"
+    "udot z10.s, z21.b, z11.b\n"
+    "udot z10.s, z16.b, z6.b\n"
+    "udot z19.s, z12.b, z11.b\n"
+    "ext z11.b, z11.b, z11.b, #0x1\n"
+    "ld1b { z20.b }, p1/Z, [%x[params], #-5, MUL VL]\n"
+    "udot z4.s, z21.b, z11.b\n"
+    "ext z6.b, z6.b, z6.b, #0x1\n"
+    "mov z17.s, #0x0\n"
+    "udot z26.s, z21.b, z6.b\n"
+    "ld1w { z8.s }, p1/Z, [%x[params], #-3, MUL VL]\n"
+    "udot z17.s, z12.b, z6.b\n"
+    "udot z31.s, z16.b, z1.b\n"
+    "incw x20\n"
+    "whilelt p0.s, x20, %x[n_channels]\n"
+    "udot z10.s, z20.b, z1.b\n"
+    "ext z1.b, z1.b, z1.b, #0x1\n"
+    "udot z4.s, z16.b, z6.b\n"
+    "udot z26.s, z16.b, z1.b\n"
+    "udot z17.s, z12.b, z1.b\n"
+    "udot z31.s, z20.b, z28.b\n"
+    "ext z28.b, z28.b, z28.b, #0x1\n"
+    "mls z10.s, p1/M, z19.s, z23.s\n"
+    "udot z4.s, z20.b, z1.b\n"
+    "udot z26.s, z20.b, z28.b\n"
+    ".inst 0x04ae754a  // sqrdmulh z10.s, z10.s, z14.s\n"
+    "movprfx z16, z17\n udot z16.s, z12.b, z28.b\n"
+    "udot z17.s, z12.b, z11.b\n"
+    "and z21.d, z10.d, z8.d\n"
+    "mls z4.s, p1/M, z17.s, z23.s\n"
+    "mls z31.s, p1/M, z18.s, z23.s\n"
+    "asr z21.s, z21.s, #0x1f\n"
+    "mls z26.s, p1/M, z16.s, z23.s\n"
+    ".inst 0x04ae7484  // sqrdmulh z4.s, z4.s, z14.s\n"
+    ".inst 0x04ae77ff  // sqrdmulh z31.s, z31.s, z14.s\n"
+    ".inst 0x04ae775a  // sqrdmulh z26.s, z26.s, z14.s\n"
+    "ld1w { z14.s }, p1/Z, [%x[params], #2, MUL VL]\n"
+    "sqadd z10.s, z10.s, z21.s\n"
+    "and z16.d, z4.d, z8.d\n"
+    ".inst 0x4482850a  // srshl z10.s, p1/M, z10.s, z8.s\n"
+    "and z20.d, z31.d, z8.d\n"
+    "and z21.d, z26.d, z8.d\n"
     "asr z16.s, z16.s, #0x1f\n"
-    "sqadd z24.s, z24.s, z18.s\n"
-    "add z22.s, z22.s, z8.s\n"
-    ".inst 0x44828ae1  // srshl z1.s, p2/M, z1.s, z23.s\n"
-    "smax z22.s, p2/M, z22.s, z11.s\n"
-    ".inst 0x44828af8  // srshl z24.s, p2/M, z24.s, z23.s\n"
-    "add z1.s, z1.s, z8.s\n"
-    "sqadd z21.s, z21.s, z16.s\n"
-    "smin z22.s, p2/M, z22.s, z10.s\n"
-    "st1b { z22.s }, p0, [x21, x19]\n"
-    "add z24.s, z24.s, z8.s\n"
-    "smax z1.s, p2/M, z1.s, z11.s\n"
-    ".inst 0x44828af5  // srshl z21.s, p2/M, z21.s, z23.s\n"
-    "ld1w { z23.s }, p2/Z, [%x[params], #1, MUL VL]\n"
-    "smax z24.s, p2/M, z24.s, z11.s\n"
-    "smin z1.s, p2/M, z1.s, z10.s\n"
-    "st1b { z1.s }, p0, [x23, x19]\n"
-    "add z21.s, z21.s, z8.s\n"
-    "smin z24.s, p2/M, z24.s, z10.s\n"
-    "ld1w { z1.s }, p2/Z, [%x[params], #-4, MUL VL]\n"
-    "smax z21.s, p2/M, z21.s, z11.s\n"
-    "st1b { z24.s }, p0, [x22, x19]\n"
-    "mov z24.d, z1.d\n"
-    "mov z22.d, z1.d\n"
-    "udot z22.s, z31.b, z3.b\n"
-    "smin z21.s, p2/M, z21.s, z10.s\n"
-    "st1b { z21.s }, p0, [x20, x19]\n"
-    "mov z21.d, z1.d\n"
-    "incw x19\n"
-    "udot z1.s, z31.b, z5.b\n"
-    "whilelt p0.s, x19, %x[n_channels]\n"
-    "udot z22.s, z29.b, z0.b\n"
+    "asr z20.s, z20.s, #0x1f\n"
+    "asr z21.s, z21.s, #0x1f\n"
+    "sqadd z4.s, z4.s, z16.s\n"
+    ".inst 0x44828504  // srshl z4.s, p1/M, z4.s, z8.s\n"
+    "ld1b { z16.b }, p1/Z, [%x[params]]\n"
+    "sqadd z31.s, z31.s, z20.s\n"
+    "sqadd z26.s, z26.s, z21.s\n"
+    ".inst 0x4482851f  // srshl z31.s, p1/M, z31.s, z8.s\n"
+    ".inst 0x4482851a  // srshl z26.s, p1/M, z26.s, z8.s\n"
+    "add z10.s, z10.s, z22.s\n"
+    "smax z10.s, p1/M, z10.s, z25.s\n"
+    "add z4.s, z4.s, z22.s\n"
+    "smin z10.s, p1/M, z10.s, z24.s\n"
+    "add z31.s, z31.s, z22.s\n"
+    "add z26.s, z26.s, z22.s\n"
+    "smax z4.s, p1/M, z4.s, z25.s\n"
+    "smax z31.s, p1/M, z31.s, z25.s\n"
+    "mov z19.s, #0x0\n"
+    "udot z19.s, z12.b, z5.b\n"
+    "smax z26.s, p1/M, z26.s, z25.s\n"
+    "st1b { z10.s }, p0, [x24, x20]\n"
+    "ld1w { z10.s }, p1/Z, [%x[params], #-2, MUL VL]\n"
+    "ld1b { z21.b }, p1/Z, [%x[params], #-1, MUL VL]\n"
+    "smin z4.s, p1/M, z4.s, z24.s\n"
+    "smin z31.s, p1/M, z31.s, z24.s\n"
+    "smin z26.s, p1/M, z26.s, z24.s\n"
+    "st1b { z4.s }, p0, [x23, x20]\n"
+    "mov z4.d, z10.d\n"
+    "udot z19.s, z12.b, z0.b\n"
+    "st1b { z31.s }, p0, [x22, x20]\n"
+    "mov z31.d, z10.d\n"
+    "udot z31.s, z21.b, z5.b\n"
+    "movprfx z18, z19\n udot z18.s, z12.b, z27.b\n"
+    "st1b { z26.s }, p0, [x21, x20]\n"
+    "mov z26.d, z10.d\n"
+    "udot z10.s, z21.b, z9.b\n"
+    "udot z10.s, z16.b, z5.b\n"
+    "udot z19.s, z12.b, z9.b\n"
+    "ext z9.b, z9.b, z9.b, #0x1\n"
+    "ld1b { z20.b }, p1/Z, [%x[params], #1, MUL VL]\n"
+    "udot z4.s, z21.b, z9.b\n"
     "ext z5.b, z5.b, z5.b, #0x1\n"
-    "udot z1.s, z29.b, z3.b\n"
-    "udot z22.s, z27.b, z28.b\n"
-    "ext z3.b, z3.b, z3.b, #0x1\n"
-    "ext z28.b, z28.b, z28.b, #0x1\n"
-    "udot z24.s, z31.b, z5.b\n"
-    "udot z1.s, z27.b, z0.b\n"
+    "mov z17.s, #0x0\n"
+    "udot z26.s, z21.b, z5.b\n"
+    "ld1w { z8.s }, p1/Z, [%x[params], #3, MUL VL]\n"
+    "udot z17.s, z12.b, z5.b\n"
+    "udot z31.s, z16.b, z0.b\n"
+    "incw x20\n"
+    "whilelt p0.s, x20, %x[n_channels]\n"
+    "udot z10.s, z20.b, z0.b\n"
     "ext z0.b, z0.b, z0.b, #0x1\n"
-    "udot z21.s, z31.b, z3.b\n"
-    "ld1b { z31.b }, p2/Z, [%x[params], #3, MUL VL]\n"
-    "udot z24.s, z29.b, z3.b\n"
-    "udot z6.s, z12.b, z3.b\n"
-    "mls z1.s, p2/M, z7.s, z9.s\n"
-    "udot z21.s, z29.b, z0.b\n"
-    "ld1b { z29.b }, p2/Z, [%x[params], #4, MUL VL]\n"
-    "udot z24.s, z27.b, z0.b\n"
-    "udot z6.s, z12.b, z0.b\n"
-    ".inst 0x04b97421  // sqrdmulh z1.s, z1.s, z25.s\n"
-    "udot z21.s, z27.b, z28.b\n"
-    "ld1b { z27.b }, p2/Z, [%x[params], #5, MUL VL]\n"
-    "mov z7.s, #0x0\n"
-    "mov z19.d, z6.d\n"
-    "udot z6.s, z12.b, z5.b\n"
-    "udot z19.s, z12.b, z28.b\n"
-    "and z16.d, z1.d, z23.d\n"
-    "asr z16.s, z16.s, #0x1f\n"
-    "udot z7.s, z12.b, z2.b\n"
-    "mls z24.s, p2/M, z6.s, z9.s\n"
-    "mov z6.s, #0x0\n"
-    "mls z22.s, p2/M, z20.s, z9.s\n"
-    "mls z21.s, p2/M, z19.s, z9.s\n"
-    ".inst 0x04b97718  // sqrdmulh z24.s, z24.s, z25.s\n"
-    "sqadd z1.s, z1.s, z16.s\n"
-    ".inst 0x04b976d6  // sqrdmulh z22.s, z22.s, z25.s\n"
-    ".inst 0x04b976b5  // sqrdmulh z21.s, z21.s, z25.s\n"
-    "ld1w { z25.s }, p2/Z, [%x[params], #6, MUL VL]\n"
-    "and z18.d, z24.d, z23.d\n"
-    "asr z18.s, z18.s, #0x1f\n"
-    "and z17.d, z22.d, z23.d\n"
-    "and z16.d, z21.d, z23.d\n"
-    "asr z17.s, z17.s, #0x1f\n"
-    "udot z7.s, z12.b, z30.b\n"
-    ".inst 0x44828ae1  // srshl z1.s, p2/M, z1.s, z23.s\n"
+    "udot z4.s, z16.b, z5.b\n"
+    "whilelt p2.b, x13, %x[n_channels]\n"
+    "udot z26.s, z16.b, z0.b\n"
+    "udot z17.s, z12.b, z0.b\n"
+    "ld1b { z13.b }, p2/Z, [x11, x13]\n"
+    "ld1b { z11.b }, p2/Z, [x10, x13]\n"
+    "udot z31.s, z20.b, z27.b\n"
+    "ext z27.b, z27.b, z27.b, #0x1\n"
+    "mls z10.s, p1/M, z19.s, z23.s\n"
+    "ld1b { z7.b }, p2/Z, [x27, x13]\n"
+    "udot z4.s, z20.b, z0.b\n"
+    "udot z26.s, z20.b, z27.b\n"
+    ".inst 0x04ae754a  // sqrdmulh z10.s, z10.s, z14.s\n"
+    "ld1b { z6.b }, p2/Z, [x26, x13]\n"
+    "movprfx z16, z17\n udot z16.s, z12.b, z27.b\n"
+    "udot z17.s, z12.b, z9.b\n"
+    "and z21.d, z10.d, z8.d\n"
+    "ld1b { z9.b }, p2/Z, [x9, x13]\n"
+    "mls z4.s, p1/M, z17.s, z23.s\n"
+    "mls z31.s, p1/M, z18.s, z23.s\n"
+    "asr z21.s, z21.s, #0x1f\n"
+    "ld1b { z5.b }, p2/Z, [x25, x13]\n"
+    "mls z26.s, p1/M, z16.s, z23.s\n"
+    ".inst 0x04ae7484  // sqrdmulh z4.s, z4.s, z14.s\n"
+    ".inst 0x04ae77ff  // sqrdmulh z31.s, z31.s, z14.s\n"
+    ".inst 0x04ae775a  // sqrdmulh z26.s, z26.s, z14.s\n"
+    "ld1b { z14.b }, p2/Z, [x12, x13]\n"
+    "ldp x12, x11, [%x[inptrs], #0x40]\n"
+    "sqadd z10.s, z10.s, z21.s\n"
+    "and z16.d, z4.d, z8.d\n"
+    ".inst 0x4482850a  // srshl z10.s, p1/M, z10.s, z8.s\n"
+    "ldp x10, x9, [%x[inptrs], #0x50]\n"
+    "and z20.d, z31.d, z8.d\n"
+    "and z21.d, z26.d, z8.d\n"
+    "ld1b { z3.b }, p2/Z, [x12, x13]\n"
+    "ld1b { z2.b }, p2/Z, [x11, x13]\n"
     "asr z16.s, z16.s, #0x1f\n"
-    "sqadd z24.s, z24.s, z18.s\n"
-    "add z1.s, z1.s, z8.s\n"
-    "mov z20.d, z7.d\n"
-    "sqadd z22.s, z22.s, z17.s\n"
-    "sqadd z21.s, z21.s, z16.s\n"
-    "udot z7.s, z12.b, z4.b\n"
-    "udot z20.s, z12.b, z26.b\n"
-    "smax z1.s, p2/M, z1.s, z11.s\n"
-    ".inst 0x44828af8  // srshl z24.s, p2/M, z24.s, z23.s\n"
-    ".inst 0x44828af6  // srshl z22.s, p2/M, z22.s, z23.s\n"
-    ".inst 0x44828af5  // srshl z21.s, p2/M, z21.s, z23.s\n"
-    "ld1w { z23.s }, p2/Z, [%x[params], #7, MUL VL]\n"
-    "smin z1.s, p2/M, z1.s, z10.s\n"
-    "st1b { z1.s }, p0, [x23, x19]\n"
-    "add z24.s, z24.s, z8.s\n"
-    "add z22.s, z22.s, z8.s\n"
-    "ld1w { z1.s }, p2/Z, [%x[params], #2, MUL VL]\n"
+    "asr z20.s, z20.s, #0x1f\n"
+    "ld1b { z1.b }, p2/Z, [x10, x13]\n"
+    "ld1b { z0.b }, p2/Z, [x9, x13]\n"
+    "asr z21.s, z21.s, #0x1f\n"
+    "sqadd z4.s, z4.s, z16.s\n"
+    ".inst 0x44828504  // srshl z4.s, p1/M, z4.s, z8.s\n"
+    "ld1b { z16.b }, p1/Z, [%x[params], #6, MUL VL]\n"
+    "sqadd z31.s, z31.s, z20.s\n"
+    "sqadd z26.s, z26.s, z21.s\n"
+    ".inst 0x4482851f  // srshl z31.s, p1/M, z31.s, z8.s\n"
+    ".inst 0x4482851a  // srshl z26.s, p1/M, z26.s, z8.s\n"
+    "add z10.s, z10.s, z22.s\n"
+    "smax z10.s, p1/M, z10.s, z25.s\n"
+    "add z4.s, z4.s, z22.s\n"
+    "ld1b { z8.b }, p2/Z, [x28, x13]\n"
+    "add z31.s, z31.s, z22.s\n"
+    "add z26.s, z26.s, z22.s\n"
+    "ldp x28, x27, [%x[inptrs], #0x60]\n"
+    "ldp x26, x25, [%x[inptrs], #0x70]\n"
+    "smin z10.s, p1/M, z10.s, z24.s\n"
+    "smax z4.s, p1/M, z4.s, z25.s\n"
+    "st1b { z10.s }, p0, [x24, x20]\n"
+    "ld1b { z30.b }, p2/Z, [x28, x13]\n"
+    "smax z31.s, p1/M, z31.s, z25.s\n"
+    "smax z26.s, p1/M, z26.s, z25.s\n"
+    "ld1b { z29.b }, p2/Z, [x27, x13]\n"
+    "ld1b { z28.b }, p2/Z, [x26, x13]\n"
+    "ld1b { z27.b }, p2/Z, [x25, x13]\n"
+    "zip2 z10.b, z14.b, z11.b\n"
+    "zip1 z14.b, z14.b, z11.b\n"
+    "smin z4.s, p1/M, z4.s, z24.s\n"
+    "zip1 z11.b, z13.b, z9.b\n"
+    "zip2 z9.b, z13.b, z9.b\n"
+    "smin z31.s, p1/M, z31.s, z24.s\n"
+    "smin z26.s, p1/M, z26.s, z24.s\n"
+    "st1b { z4.s }, p0, [x23, x20]\n"
+    "zip2 z13.b, z14.b, z11.b\n"
+    "zip1 z14.b, z14.b, z11.b\n"
+    "ldp x12, x11, [%x[inptrs], #0x0]\n"
+    "st1b { z31.s }, p0, [x22, x20]\n"
+    "zip1 z11.b, z10.b, z9.b\n"
+    "zip2 z9.b, z10.b, z9.b\n"
+    "ld1w { z10.s }, p1/Z, [%x[params], #4, MUL VL]\n"
+    "st1b { z26.s }, p0, [x21, x20]\n"
+    "zip2 z4.b, z8.b, z6.b\n"
+    "zip1 z8.b, z8.b, z6.b\n"
+    "incw x20\n"
+    "zip1 z6.b, z7.b, z5.b\n"
+    "zip2 z5.b, z7.b, z5.b\n"
+    "ldp x10, x9, [%x[inptrs], #0x10]\n"
+    "ldp x28, x27, [%x[inptrs], #0x20]\n"
+    "zip2 z31.b, z3.b, z1.b\n"
+    "zip1 z3.b, z3.b, z1.b\n"
+    "ldp x26, x25, [%x[inptrs], #0x30]\n"
+    "ld1b { z21.b }, p1/Z, [%x[params], #5, MUL VL]\n"
+    "zip1 z1.b, z2.b, z0.b\n"
+    "zip2 z0.b, z2.b, z0.b\n"
+    "ld1b { z20.b }, p1/Z, [%x[params], #7, MUL VL]\n"
     "addvl %x[params], %x[params], #8\n"
-    "add z21.s, z21.s, z8.s\n"
-    "smax z24.s, p2/M, z24.s, z11.s\n"
-    "smax z22.s, p2/M, z22.s, z11.s\n"
-    "smax z21.s, p2/M, z21.s, z11.s\n"
-    "smin z24.s, p2/M, z24.s, z10.s\n"
-    "st1b { z24.s }, p0, [x22, x19]\n"
-    "mov z24.d, z1.d\n"
-    "smin z22.s, p2/M, z22.s, z10.s\n"
-    "st1b { z22.s }, p0, [x21, x19]\n"
-    "mov z22.d, z1.d\n"
-    "smin z21.s, p2/M, z21.s, z10.s\n"
-    "st1b { z21.s }, p0, [x20, x19]\n"
-    "mov z21.d, z1.d\n"
-    "incw x19\n"
-    "udot z1.s, z31.b, z4.b\n"
-    "whilelt p0.s, x19, %x[n_channels]\n"
-    "udot z22.s, z31.b, z2.b\n"
-    "ext z4.b, z4.b, z4.b, #0x1\n"
-    "udot z1.s, z29.b, z2.b\n"
-    "udot z22.s, z29.b, z30.b\n"
-    "ext z2.b, z2.b, z2.b, #0x1\n"
-    "udot z24.s, z31.b, z4.b\n"
-    "udot z1.s, z27.b, z30.b\n"
-    "udot z22.s, z27.b, z26.b\n"
-    "ext z30.b, z30.b, z30.b, #0x1\n"
-    "ext z26.b, z26.b, z26.b, #0x1\n"
-    "udot z21.s, z31.b, z2.b\n"
-    "udot z24.s, z29.b, z2.b\n"
-    "udot z6.s, z12.b, z2.b\n"
-    "mls z1.s, p2/M, z7.s, z9.s\n"
-    "udot z21.s, z29.b, z30.b\n"
-    "udot z24.s, z27.b, z30.b\n"
-    "udot z6.s, z12.b, z30.b\n"
-    ".inst 0x04b97421  // sqrdmulh z1.s, z1.s, z25.s\n"
-    "udot z21.s, z27.b, z26.b\n"
-    "mls z22.s, p2/M, z20.s, z9.s\n"
-    "mov z19.d, z6.d\n"
-    "udot z6.s, z12.b, z4.b\n"
-    "udot z19.s, z12.b, z26.b\n"
-    "and z16.d, z1.d, z23.d\n"
-    "asr z16.s, z16.s, #0x1f\n"
-    ".inst 0x04b976d6  // sqrdmulh z22.s, z22.s, z25.s\n"
-    "mls z24.s, p2/M, z6.s, z9.s\n"
-    "mls z21.s, p2/M, z19.s, z9.s\n"
-    ".inst 0x04b97718  // sqrdmulh z24.s, z24.s, z25.s\n"
-    "and z17.d, z22.d, z23.d\n"
-    "asr z17.s, z17.s, #0x1f\n"
-    "sqadd z1.s, z1.s, z16.s\n"
-    ".inst 0x04b976b5  // sqrdmulh z21.s, z21.s, z25.s\n"
-    "and z18.d, z24.d, z23.d\n"
-    "asr z18.s, z18.s, #0x1f\n"
-    "and z16.d, z21.d, z23.d\n"
-    ".inst 0x44828ae1  // srshl z1.s, p2/M, z1.s, z23.s\n"
-    "asr z16.s, z16.s, #0x1f\n"
-    "sqadd z22.s, z22.s, z17.s\n"
-    "add z1.s, z1.s, z8.s\n"
-    "sqadd z24.s, z24.s, z18.s\n"
-    "smax z1.s, p2/M, z1.s, z11.s\n"
-    ".inst 0x44828af6  // srshl z22.s, p2/M, z22.s, z23.s\n"
-    "sqadd z21.s, z21.s, z16.s\n"
-    ".inst 0x44828af8  // srshl z24.s, p2/M, z24.s, z23.s\n"
-    "add z22.s, z22.s, z8.s\n"
-    "smin z1.s, p2/M, z1.s, z10.s\n"
-    "st1b { z1.s }, p0, [x23, x19]\n"
-    "add z24.s, z24.s, z8.s\n"
-    "smax z22.s, p2/M, z22.s, z11.s\n"
-    ".inst 0x44828af5  // srshl z21.s, p2/M, z21.s, z23.s\n"
-    "smax z24.s, p2/M, z24.s, z11.s\n"
-    "smin z22.s, p2/M, z22.s, z10.s\n"
-    "st1b { z22.s }, p0, [x21, x19]\n"
-    "add z21.s, z21.s, z8.s\n"
-    "smin z24.s, p2/M, z24.s, z10.s\n"
-    "st1b { z24.s }, p0, [x22, x19]\n"
-    "smax z21.s, p2/M, z21.s, z11.s\n"
-    "smin z21.s, p2/M, z21.s, z10.s\n"
-    "st1b { z21.s }, p0, [x20, x19]\n"
-    "incw x19\n"
-    "whilelt p1.b, x19, %x[n_channels]\n"
+    "zip2 z26.b, z30.b, z28.b\n"
+    "zip1 z30.b, z30.b, z28.b\n"
+    "zip1 z28.b, z29.b, z27.b\n"
+    "zip2 z27.b, z29.b, z27.b\n"
+    "zip2 z7.b, z8.b, z6.b\n"
+    "zip1 z8.b, z8.b, z6.b\n"
+    "zip1 z6.b, z4.b, z5.b\n"
+    "zip2 z5.b, z4.b, z5.b\n"
+    "zip2 z2.b, z3.b, z1.b\n"
+    "zip1 z3.b, z3.b, z1.b\n"
+    "zip1 z1.b, z31.b, z0.b\n"
+    "zip2 z0.b, z31.b, z0.b\n"
+    "zip2 z29.b, z30.b, z28.b\n"
+    "zip1 z30.b, z30.b, z28.b\n"
+    "zip1 z28.b, z26.b, z27.b\n"
+    "zip2 z27.b, z26.b, z27.b\n"
+    "mov z4.d, z10.d\n"
+    "mov z31.d, z10.d\n"
+    "mov z26.d, z10.d\n"
     "b.any 1b\n"
-    "addvl SP, SP, #8\n"
     : [params] "+&r" (params)
-    : [inptrs] "r" (inptrs), [n_channels] "r" ((long unsigned int) n_channels), [offsetof_Requantize32_b_offset] "I" (offsetof(arm_gemm::Requantize32, b_offset)), [offsetof_Requantize32_c_offset] "I" (offsetof(arm_gemm::Requantize32, c_offset)), [offsetof_Requantize32_maxval] "I" (offsetof(arm_gemm::Requantize32, maxval)), [offsetof_Requantize32_minval] "I" (offsetof(arm_gemm::Requantize32, minval)), [outptrs] "r" (outptrs), [qp] "r" (&qp)
-    : "cc", "memory", "p0", "p1", "p2", "x9", "x10", "x11", "x19", "x20", "x21", "x22", "x23", "x24", "x25", "x26", "x27", "x28", "z0", "z1", "z2", "z3", "z4", "z5", "z6", "z7", "z8", "z9", "z10", "z11", "z12", "z16", "z17", "z18", "z19", "z20", "z21", "z22", "z23", "z24", "z25", "z26", "z27", "z28", "z29", "z30", "z31"
+    : [inptrs] "r" (inptrs), [n_channels] "r" (n_channels), [offsetof_Requantize32_b_offset] "I" (offsetof(arm_gemm::Requantize32, b_offset)), [offsetof_Requantize32_c_offset] "I" (offsetof(arm_gemm::Requantize32, c_offset)), [offsetof_Requantize32_maxval] "I" (offsetof(arm_gemm::Requantize32, maxval)), [offsetof_Requantize32_minval] "I" (offsetof(arm_gemm::Requantize32, minval)), [outptrs] "r" (outptrs), [qp] "r" (&qp)
+    : "cc", "memory", "p0", "p1", "p2", "x9", "x10", "x11", "x12", "x13", "x20", "x21", "x22", "x23", "x24", "x25", "x26", "x27", "x28", "z0", "z1", "z2", "z3", "z4", "z5", "z6", "z7", "z8", "z9", "z10", "z11", "z12", "z13", "z14", "z16", "z17", "z18", "z19", "z20", "z21", "z22", "z23", "z24", "z25", "z26", "z27", "z28", "z29", "z30", "z31"
   );
 }