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, 267 insertions, 281 deletions

diff --git a/src/core/NEON/kernels/arm_conv/depthwise/kernels/sve_u8q_packed_to_nhwc_3x3_s2_with_multiplier_output2x4_dot_depthfirst/generic.cpp b/src/core/NEON/kernels/arm_conv/depthwise/kernels/sve_u8q_packed_to_nhwc_3x3_s2_with_multiplier_output2x4_dot_depthfirst/generic.cpp
index 1c8b8f9d19..66c24c34b5 100644
--- a/src/core/NEON/kernels/arm_conv/depthwise/kernels/sve_u8q_packed_to_nhwc_3x3_s2_with_multiplier_output2x4_dot_depthfirst/generic.cpp
+++ b/src/core/NEON/kernels/arm_conv/depthwise/kernels/sve_u8q_packed_to_nhwc_3x3_s2_with_multiplier_output2x4_dot_depthfirst/generic.cpp
@@ -1,5 +1,5 @@
 /*
- * Copyright (c) 2021 Arm Limited.
+ * Copyright (c) 2021, 2023 Arm Limited.
  *
  * SPDX-License-Identifier: MIT
  *
@@ -41,309 +41,295 @@ void sve_u8q_packed_to_nhwc_3x3_s2_with_multiplier_output2x4_dot_depthfirst_impl
 )
 {
   __asm__ __volatile__(
-    "mov z31.s, #0x0\n"
-    "ldr x24, [%x[inptrs], #0x0]\n"
-    "ptrue p2.b\n"
-    "mov z18.s, #0x0\n"
+    "mov x20, #0x9\n"
+    "whilelt p0.b, XZR, x20\n"
     "ldr x23, [%x[inptrs], #0x8]\n"
-    "lsl x9, %x[n_channels], #0x2\n"
-    "mov z29.s, #0x0\n"
-    "ldr x22, [%x[inptrs], #0x10]\n"
-    "addvl SP, SP, #-8\n"
-    "mov z28.s, #0x0\n"
-    "ldr x21, [%x[inptrs], #0x18]\n"
-    "mov x19, #0x9\n"
-    "mov z13.s, #0x0\n"
-    "ldr x20, [%x[inptrs], #0x20]\n"
-    "whilelt p1.b, XZR, x19\n"
-    "mov z14.s, #0x0\n"
-    "ld1b { z7.b }, p1/Z, [x24]\n"
-    "mov x19, #0x3\n"
-    "mov z15.s, #0x0\n"
-    "ld1b { z3.b }, p1/Z, [x23]\n"
-    "whilelt p0.b, XZR, x19\n"
-    "mov z11.b, p0/z, #0x1\n"
-    "ld1b { z4.b }, p1/Z, [x22]\n"
+    "ldr x20, [%x[inptrs], #0x10]\n"
+    "ldr x22, [%x[inptrs], #0x20]\n"
+    "ldr x21, [%x[inptrs], #0x0]\n"
+    "mov z15.b, #0x1\n"
+    "lsr z15.s, z15.s, #0x8\n"
+    "ld1b { z1.b }, p0/Z, [x23]\n"
+    "ld1b { z2.b }, p0/Z, [x20]\n"
+    "mov z30.d, z1.d\n"
+    "mov z29.d, z1.d\n"
+    "ldr x20, [%x[inptrs], #0x18]\n"
+    "ld1b { z4.b }, p0/Z, [x22]\n"
+    "mov z28.d, z1.d\n"
+    "mov z27.d, z2.d\n"
+    "ld1b { z0.b }, p0/Z, [x21]\n"
+    "mov z26.d, z2.d\n"
+    "mov z25.d, z2.d\n"
+    "ld1b { z3.b }, p0/Z, [x20]\n"
+    "mov z24.d, z4.d\n"
+    "mov z23.d, z4.d\n"
+    "ptrue p2.b\n"
+    "ld1rw { z14.s }, p2/Z, [%x[qp], %[offsetof_Requantize32_b_offset]]\n"
+    "mov z22.d, z4.d\n"
+    "ext z30.b, z30.b, z30.b, #0x2\n"
+    "lsl x10, %x[n_channels], #0x2\n"
+    "neg z14.s, p2/M, z14.s\n"
+    "ext z29.b, z29.b, z29.b, #0x4\n"
+    "ext z28.b, z28.b, z28.b, #0x6\n"
+    "mov x9, #0x0\n"
+    "whilelt p1.b, x9, x10\n"
+    "ext z27.b, z27.b, z27.b, #0x2\n"
+    "ext z26.b, z26.b, z26.b, #0x4\n"
+    "ld1w { z13.s }, p1/Z, [%x[params]]\n"
     "mov x28, #0x0\n"
-    "mov z10.d, z7.d\n"
-    "ld1b { z6.b }, p1/Z, [x21]\n"
-    "mov x27, #0x0\n"
-    "ext z10.b, z10.b, z10.b, #0x2\n"
-    "ld1b { z5.b }, p1/Z, [x20]\n"
-    "whilelt p1.b, x28, x9\n"
-    "mov z17.d, z7.d\n"
-    "ld1rw { z30.s }, p2/Z, [%x[qp], %[offsetof_Requantize32_b_offset]]\n"
-    "mov z26.d, z7.d\n"
-    "ldp x26, x25, [%x[outptrs], #0x0]\n"
-    "ext z17.b, z17.b, z17.b, #0x4\n"
-    "ldp x24, x23, [%x[outptrs], #0x10]\n"
-    "ext z26.b, z26.b, z26.b, #0x6\n"
-    "ldp x22, x21, [%x[outptrs], #0x20]\n"
-    "mov z19.d, z3.d\n"
-    "ldp x20, x19, [%x[outptrs], #0x30]\n"
-    "ext z19.b, z19.b, z19.b, #0x2\n"
+    "ext z25.b, z25.b, z25.b, #0x6\n"
+    "ext z24.b, z24.b, z24.b, #0x2\n"
+    "ldp x27, x26, [%x[outptrs], #0x0]\n"
+    "ldp x25, x24, [%x[outptrs], #0x10]\n"
+    "ext z23.b, z23.b, z23.b, #0x4\n"
+    "ext z22.b, z22.b, z22.b, #0x6\n"
+    "ldp x23, x22, [%x[outptrs], #0x20]\n"
+    "ldp x21, x20, [%x[outptrs], #0x30]\n"
+    "mov z21.d, z0.d\n"
+    "mov z20.d, z0.d\n"
     "ld1rw { z12.s }, p2/Z, [%x[qp], %[offsetof_Requantize32_c_offset]]\n"
-    "zip1 z7.s, z7.s, z17.s\n"
-    "ld1rw { z16.s }, p2/Z, [%x[qp], %[offsetof_Requantize32_minval]]\n"
-    "zip1 z10.s, z10.s, z26.s\n"
-    "ld1rw { z0.s }, p2/Z, [%x[qp], %[offsetof_Requantize32_maxval]]\n"
-    "zip1 z7.s, z7.s, z10.s\n"
-    "ld1w { z1.s }, p1/Z, [%x[params]]\n"
-    "mov z7.q, z7.q[0]\n"
-    "ld1b { z8.b }, p1/Z, [%x[params], #1, MUL VL]\n"
+    "ld1rw { z11.s }, p2/Z, [%x[qp], %[offsetof_Requantize32_minval]]\n"
+    "mov z19.d, z0.d\n"
+    "mov z18.d, z3.d\n"
+    "ld1rw { z10.s }, p2/Z, [%x[qp], %[offsetof_Requantize32_maxval]]\n"
+    "ld1b { z5.b }, p1/Z, [%x[params], #1, MUL VL]\n"
     "mov z17.d, z3.d\n"
-    "ld1b { z9.b }, p1/Z, [%x[params], #2, MUL VL]\n"
-    "ext z17.b, z17.b, z17.b, #0x4\n"
-    "ld1b { z10.b }, p1/Z, [%x[params], #3, MUL VL]\n"
+    "mov z16.d, z3.d\n"
+    "ld1b { z6.b }, p1/Z, [%x[params], #2, MUL VL]\n"
+    "ld1b { z7.b }, p1/Z, [%x[params], #3, MUL VL]\n"
+    "ext z21.b, z21.b, z21.b, #0x2\n"
+    "ext z20.b, z20.b, z20.b, #0x4\n"
     "addvl %x[params], %x[params], #4\n"
-    "mov z2.d, z3.d\n"
-    "mov z20.d, z4.d\n"
-    "ext z2.b, z2.b, z2.b, #0x6\n"
-    "zip1 z3.s, z3.s, z17.s\n"
-    "ext z20.b, z20.b, z20.b, #0x2\n"
-    "mov z17.d, z4.d\n"
-    "zip1 z19.s, z19.s, z2.s\n"
-    "zip1 z3.s, z3.s, z19.s\n"
-    "mov z3.q, z3.q[0]\n"
+    "ext z19.b, z19.b, z19.b, #0x6\n"
+    "zip1 z1.s, z1.s, z29.s\n"
+    "zip1 z30.s, z30.s, z28.s\n"
+    "zip1 z2.s, z2.s, z26.s\n"
+    "zip1 z27.s, z27.s, z25.s\n"
+    "ext z18.b, z18.b, z18.b, #0x2\n"
     "ext z17.b, z17.b, z17.b, #0x4\n"
-    "mov z26.d, z4.d\n"
-    "ext z26.b, z26.b, z26.b, #0x6\n"
-    "mov z21.d, z6.d\n"
-    "zip1 z4.s, z4.s, z17.s\n"
-    "ext z21.b, z21.b, z21.b, #0x2\n"
-    "zip1 z20.s, z20.s, z26.s\n"
-    "zip1 z4.s, z4.s, z20.s\n"
+    "ext z16.b, z16.b, z16.b, #0x6\n"
+    "zip1 z4.s, z4.s, z23.s\n"
+    "zip1 z24.s, z24.s, z22.s\n"
+    "zip1 z0.s, z0.s, z20.s\n"
+    "zip1 z21.s, z21.s, z19.s\n"
+    "zip1 z1.s, z1.s, z30.s\n"
+    "zip1 z2.s, z2.s, z27.s\n"
+    "zip1 z3.s, z3.s, z17.s\n"
+    "zip1 z18.s, z18.s, z16.s\n"
+    "zip1 z4.s, z4.s, z24.s\n"
+    "zip1 z0.s, z0.s, z21.s\n"
+    "mov z1.q, z1.q[0]\n"
+    "mov z2.q, z2.q[0]\n"
+    "zip1 z3.s, z3.s, z18.s\n"
     "mov z4.q, z4.q[0]\n"
-    "mov z17.d, z6.d\n"
-    "ext z17.b, z17.b, z17.b, #0x4\n"
-    "mov z20.d, z6.d\n"
-    "ext z20.b, z20.b, z20.b, #0x6\n"
-    "mov z19.d, z5.d\n"
-    "zip1 z6.s, z6.s, z17.s\n"
-    "ext z19.b, z19.b, z19.b, #0x2\n"
-    "zip1 z21.s, z21.s, z20.s\n"
-    "zip1 z6.s, z6.s, z21.s\n"
-    "mov z6.q, z6.q[0]\n"
-    "mov z17.d, z5.d\n"
-    "ext z17.b, z17.b, z17.b, #0x4\n"
-    "mov z20.d, z5.d\n"
-    "ext z20.b, z20.b, z20.b, #0x6\n"
-    "mov z11.s, z11.s[0]\n"
-    "zip1 z5.s, z5.s, z17.s\n"
-    "mov z25.s, #0x0\n"
-    "zip1 z19.s, z19.s, z20.s\n"
-    "zip1 z5.s, z5.s, z19.s\n"
-    "mov z5.q, z5.q[0]\n"
-    "mov z26.s, #0x0\n"
-    "mov z27.s, #0x0\n"
     "mov z24.s, #0x0\n"
+    "mov z25.s, #0x0\n"
+    "udot z24.s, z15.b, z1.b[0]\n"
     "mov z23.s, #0x0\n"
     "mov z22.s, #0x0\n"
+    "udot z25.s, z15.b, z1.b[1]\n"
     "mov z21.s, #0x0\n"
-    "mov z17.s, #0x0\n"
     "mov z20.s, #0x0\n"
-    "mov z2.s, #0x0\n"
+    "udot z23.s, z15.b, z1.b[2]\n"
+    "mov z9.s, #0x0\n"
+    "mov z8.s, #0x0\n"
+    "udot z22.s, z15.b, z1.b[3]\n"
     "mov z19.s, #0x0\n"
-    "udot z31.s, z11.b, z7.b[0]\n"
-    "udot z18.s, z11.b, z7.b[1]\n"
-    "udot z29.s, z11.b, z7.b[2]\n"
-    "udot z28.s, z11.b, z7.b[3]\n"
-    "udot z13.s, z11.b, z3.b[0]\n"
-    "udot z14.s, z11.b, z3.b[1]\n"
-    "udot z15.s, z11.b, z3.b[2]\n"
-    "udot z25.s, z11.b, z3.b[3]\n"
-    "udot z26.s, z11.b, z4.b[0]\n"
-    "udot z27.s, z11.b, z4.b[1]\n"
-    "udot z24.s, z11.b, z4.b[2]\n"
-    "udot z23.s, z11.b, z4.b[3]\n"
-    "udot z22.s, z11.b, z6.b[0]\n"
-    "udot z21.s, z11.b, z6.b[1]\n"
-    "udot z17.s, z11.b, z6.b[2]\n"
-    "udot z20.s, z11.b, z6.b[3]\n"
-    "udot z2.s, z11.b, z5.b[0]\n"
-    "udot z19.s, z11.b, z5.b[1]\n"
-    "mov z31.d, z31.d\n"
-    "mov z18.d, z18.d\n"
-    "mov z29.d, z29.d\n"
-    "mov z28.d, z28.d\n"
-    "add z31.s, z31.s, z13.s\n"
-    "mov z13.s, #0x0\n"
-    "udot z13.s, z11.b, z5.b[2]\n"
-    "add z18.s, z18.s, z14.s\n"
-    "mov z14.s, #0x0\n"
-    "udot z14.s, z11.b, z5.b[3]\n"
-    "add z29.s, z29.s, z15.s\n"
-    "add z28.s, z28.s, z25.s\n"
-    "add z31.s, z31.s, z26.s\n"
-    "add z18.s, z18.s, z27.s\n"
-    "add z29.s, z29.s, z24.s\n"
-    "add z28.s, z28.s, z23.s\n"
-    "mov z26.d, z26.d\n"
-    "mov z25.d, z27.d\n"
-    "mov z24.d, z24.d\n"
-    "mov z23.d, z23.d\n"
-    "add z26.s, z26.s, z22.s\n"
-    "add z25.s, z25.s, z21.s\n"
-    "add z24.s, z24.s, z17.s\n"
-    "add z23.s, z23.s, z20.s\n"
-    "add z26.s, z26.s, z2.s\n"
-    "add z25.s, z25.s, z19.s\n"
+    "mov z18.s, #0x0\n"
+    "udot z21.s, z15.b, z2.b[0]\n"
+    "mov z17.s, #0x0\n"
+    "mov z16.s, #0x0\n"
+    "udot z20.s, z15.b, z2.b[1]\n"
+    "udot z9.s, z15.b, z2.b[2]\n"
+    "udot z8.s, z15.b, z2.b[3]\n"
+    "mov z0.q, z0.q[0]\n"
+    "udot z19.s, z15.b, z4.b[0]\n"
+    "udot z18.s, z15.b, z4.b[1]\n"
+    "mov z3.q, z3.q[0]\n"
+    "udot z17.s, z15.b, z4.b[2]\n"
+    "udot z16.s, z15.b, z4.b[3]\n"
+    "mov z31.s, #0x0\n"
+    "mov z30.s, #0x0\n"
+    "mov z29.s, #0x0\n"
+    "udot z31.s, z15.b, z0.b[0]\n"
+    "mov z28.s, #0x0\n"
+    "udot z30.s, z15.b, z0.b[1]\n"
+    "udot z29.s, z15.b, z0.b[2]\n"
+    "udot z28.s, z15.b, z0.b[3]\n"
+    "add z24.s, z24.s, z21.s\n"
+    "add z25.s, z25.s, z20.s\n"
+    "add z26.s, z23.s, z9.s\n"
+    "add z27.s, z22.s, z8.s\n"
+    "add z23.s, z19.s, z21.s\n"
+    "mov z22.s, #0x0\n"
+    "udot z22.s, z15.b, z3.b[0]\n"
+    "add z21.s, z18.s, z20.s\n"
+    "mov z20.s, #0x0\n"
+    "udot z20.s, z15.b, z3.b[1]\n"
+    "add z19.s, z17.s, z9.s\n"
+    "mov z18.s, #0x0\n"
+    "udot z18.s, z15.b, z3.b[2]\n"
+    "add z17.s, z16.s, z8.s\n"
+    "mov z16.s, #0x0\n"
+    "udot z16.s, z15.b, z3.b[3]\n"
+    "add z24.s, z24.s, z31.s\n"
+    "add z25.s, z25.s, z30.s\n"
+    "mul z24.s, p2/M, z24.s, z14.s\n"
+    "mul z25.s, p2/M, z25.s, z14.s\n"
+    "add z26.s, z26.s, z29.s\n"
+    "add z27.s, z27.s, z28.s\n"
+    "mul z26.s, p2/M, z26.s, z14.s\n"
+    "mul z27.s, p2/M, z27.s, z14.s\n"
+    "add z28.s, z23.s, z22.s\n"
+    "add z29.s, z21.s, z20.s\n"
+    "mul z28.s, p2/M, z28.s, z14.s\n"
+    "mul z29.s, p2/M, z29.s, z14.s\n"
+    "add z30.s, z19.s, z18.s\n"
+    "add z31.s, z17.s, z16.s\n"
+    "mul z30.s, p2/M, z30.s, z14.s\n"
+    "mul z31.s, p2/M, z31.s, z14.s\n"
+    "zip1 z19.s, z24.s, z26.s\n"
+    "zip1 z18.s, z25.s, z27.s\n"
+    "zip1 z17.s, z28.s, z30.s\n"
+    "zip1 z16.s, z29.s, z31.s\n"
+    "zip1 z22.s, z19.s, z18.s\n"
+    "zip1 z23.s, z17.s, z16.s\n"
     "add z24.s, z24.s, z13.s\n"
-    "add z23.s, z23.s, z14.s\n"
-    "neg z30.s, p2/M, z30.s\n"
-    "mul z31.s, p2/M, z31.s, z30.s\n"
-    "st1w { z31.s }, p2, [SP]\n"
-    "add z31.s, z31.s, z1.s\n"
-    "mul z18.s, p2/M, z18.s, z30.s\n"
-    "st1w { z18.s }, p2, [SP, #1, MUL VL]\n"
-    "add z18.s, z18.s, z1.s\n"
-    "mul z29.s, p2/M, z29.s, z30.s\n"
-    "st1w { z29.s }, p2, [SP, #2, MUL VL]\n"
-    "add z29.s, z29.s, z1.s\n"
-    "mul z28.s, p2/M, z28.s, z30.s\n"
-    "st1w { z28.s }, p2, [SP, #3, MUL VL]\n"
-    "add z28.s, z28.s, z1.s\n"
-    "mul z26.s, p2/M, z26.s, z30.s\n"
-    "st1w { z26.s }, p2, [SP, #4, MUL VL]\n"
-    "add z26.s, z26.s, z1.s\n"
-    "mul z25.s, p2/M, z25.s, z30.s\n"
-    "st1w { z25.s }, p2, [SP, #5, MUL VL]\n"
-    "add z25.s, z25.s, z1.s\n"
-    "mul z24.s, p2/M, z24.s, z30.s\n"
-    "st1w { z24.s }, p2, [SP, #6, MUL VL]\n"
-    "add z24.s, z24.s, z1.s\n"
-    "mul z23.s, p2/M, z23.s, z30.s\n"
-    "st1w { z23.s }, p2, [SP, #7, MUL VL]\n"
-    "add z23.s, z23.s, z1.s\n"
+    "add z25.s, z25.s, z13.s\n"
+    "add z26.s, z26.s, z13.s\n"
+    "add z27.s, z27.s, z13.s\n"
+    "add z28.s, z28.s, z13.s\n"
+    "add z29.s, z29.s, z13.s\n"
+    "add z30.s, z30.s, z13.s\n"
+    "add z31.s, z31.s, z13.s\n"
     "1:"  // Loop
-    "udot z31.s, z8.b, z7.b[0]\n"
-    "ld1w { z22.s }, p2/Z, [%x[params]]\n"
-    "incb x28\n"
-    "udot z18.s, z8.b, z7.b[1]\n"
-    "ld1w { z21.s }, p2/Z, [%x[params], #1, MUL VL]\n"
-    "whilelt p0.s, x27, %x[n_channels]\n"
-    "udot z29.s, z8.b, z7.b[2]\n"
-    "whilelt p1.b, x28, x9\n"
-    "ld1w { z1.s }, p1/Z, [%x[params], #2, MUL VL]\n"
-    "udot z28.s, z8.b, z7.b[3]\n"
-    "udot z26.s, z8.b, z4.b[0]\n"
-    "udot z25.s, z8.b, z4.b[1]\n"
-    "udot z24.s, z8.b, z4.b[2]\n"
-    "udot z23.s, z8.b, z4.b[3]\n"
-    "ld1b { z8.b }, p1/Z, [%x[params], #3, MUL VL]\n"
-    "udot z31.s, z9.b, z3.b[0]\n"
-    "udot z18.s, z9.b, z3.b[1]\n"
-    "udot z29.s, z9.b, z3.b[2]\n"
-    "udot z28.s, z9.b, z3.b[3]\n"
-    "udot z26.s, z9.b, z6.b[0]\n"
-    "udot z25.s, z9.b, z6.b[1]\n"
-    "udot z24.s, z9.b, z6.b[2]\n"
-    "udot z23.s, z9.b, z6.b[3]\n"
-    "ld1b { z9.b }, p1/Z, [%x[params], #4, MUL VL]\n"
-    "udot z31.s, z10.b, z4.b[0]\n"
-    "udot z18.s, z10.b, z4.b[1]\n"
-    "udot z29.s, z10.b, z4.b[2]\n"
-    "udot z28.s, z10.b, z4.b[3]\n"
-    "udot z26.s, z10.b, z5.b[0]\n"
-    "udot z25.s, z10.b, z5.b[1]\n"
-    "udot z24.s, z10.b, z5.b[2]\n"
-    "udot z23.s, z10.b, z5.b[3]\n"
-    "ld1b { z10.b }, p1/Z, [%x[params], #5, MUL VL]\n"
+    "udot z24.s, z5.b, z0.b[0]\n"
+    "udot z25.s, z5.b, z0.b[1]\n"
+    "ld1w { z21.s }, p2/Z, [%x[params]]\n"
+    "ld1w { z20.s }, p2/Z, [%x[params], #1, MUL VL]\n"
+    "udot z26.s, z5.b, z0.b[2]\n"
+    "udot z27.s, z5.b, z0.b[3]\n"
+    "incb x9\n"
+    "whilelt p0.s, x28, %x[n_channels]\n"
+    "udot z24.s, z6.b, z1.b[0]\n"
+    "udot z25.s, z6.b, z1.b[1]\n"
+    "whilelt p1.b, x9, x10\n"
+    "ld1w { z13.s }, p1/Z, [%x[params], #2, MUL VL]\n"
+    "udot z26.s, z6.b, z1.b[2]\n"
+    "udot z27.s, z6.b, z1.b[3]\n"
+    "udot z28.s, z5.b, z2.b[0]\n"
+    "udot z29.s, z5.b, z2.b[1]\n"
+    "udot z30.s, z5.b, z2.b[2]\n"
+    "udot z31.s, z5.b, z2.b[3]\n"
+    "ld1b { z5.b }, p1/Z, [%x[params], #3, MUL VL]\n"
+    "udot z24.s, z7.b, z2.b[0]\n"
+    "udot z25.s, z7.b, z2.b[1]\n"
+    ".inst 0x04b57718  // sqrdmulh z24.s, z24.s, z21.s\n"
+    "udot z26.s, z7.b, z2.b[2]\n"
+    "udot z27.s, z7.b, z2.b[3]\n"
+    ".inst 0x04b57739  // sqrdmulh z25.s, z25.s, z21.s\n"
+    "udot z28.s, z6.b, z3.b[0]\n"
+    "udot z29.s, z6.b, z3.b[1]\n"
+    ".inst 0x04b5775a  // sqrdmulh z26.s, z26.s, z21.s\n"
+    "udot z30.s, z6.b, z3.b[2]\n"
+    "udot z31.s, z6.b, z3.b[3]\n"
+    ".inst 0x04b5777b  // sqrdmulh z27.s, z27.s, z21.s\n"
+    "ld1b { z6.b }, p1/Z, [%x[params], #4, MUL VL]\n"
+    "udot z28.s, z7.b, z4.b[0]\n"
+    "udot z29.s, z7.b, z4.b[1]\n"
+    "and z19.d, z24.d, z20.d\n"
+    "udot z30.s, z7.b, z4.b[2]\n"
+    "udot z31.s, z7.b, z4.b[3]\n"
+    "and z18.d, z25.d, z20.d\n"
+    "ld1b { z7.b }, p1/Z, [%x[params], #5, MUL VL]\n"
+    "and z17.d, z26.d, z20.d\n"
+    "and z16.d, z27.d, z20.d\n"
     "addvl %x[params], %x[params], #6\n"
-    ".inst 0x04b677ff  // sqrdmulh z31.s, z31.s, z22.s\n"
-    ".inst 0x04b67652  // sqrdmulh z18.s, z18.s, z22.s\n"
-    ".inst 0x04b677bd  // sqrdmulh z29.s, z29.s, z22.s\n"
-    ".inst 0x04b6779c  // sqrdmulh z28.s, z28.s, z22.s\n"
-    ".inst 0x04b6775a  // sqrdmulh z26.s, z26.s, z22.s\n"
-    "and z20.d, z31.d, z21.d\n"
-    "asr z20.s, z20.s, #0x1f\n"
-    "and z19.d, z18.d, z21.d\n"
-    "and z14.d, z29.d, z21.d\n"
     "asr z19.s, z19.s, #0x1f\n"
-    "and z17.d, z28.d, z21.d\n"
-    "and z2.d, z26.d, z21.d\n"
-    "asr z14.s, z14.s, #0x1f\n"
-    ".inst 0x04b67739  // sqrdmulh z25.s, z25.s, z22.s\n"
+    "asr z18.s, z18.s, #0x1f\n"
     "asr z17.s, z17.s, #0x1f\n"
-    "sqadd z31.s, z31.s, z20.s\n"
-    ".inst 0x04b67718  // sqrdmulh z24.s, z24.s, z22.s\n"
-    "asr z2.s, z2.s, #0x1f\n"
-    ".inst 0x04b676f7  // sqrdmulh z23.s, z23.s, z22.s\n"
-    "sqadd z18.s, z18.s, z19.s\n"
-    "sqadd z29.s, z29.s, z14.s\n"
-    "and z27.d, z25.d, z21.d\n"
-    "asr z27.s, z27.s, #0x1f\n"
-    "sqadd z28.s, z28.s, z17.s\n"
-    "sqadd z26.s, z26.s, z2.s\n"
-    "and z17.d, z24.d, z21.d\n"
+    "asr z16.s, z16.s, #0x1f\n"
+    ".inst 0x04b5779c  // sqrdmulh z28.s, z28.s, z21.s\n"
+    ".inst 0x04b577bd  // sqrdmulh z29.s, z29.s, z21.s\n"
+    ".inst 0x04b577de  // sqrdmulh z30.s, z30.s, z21.s\n"
+    ".inst 0x04b577ff  // sqrdmulh z31.s, z31.s, z21.s\n"
+    "sqadd z24.s, z24.s, z19.s\n"
+    "sqadd z25.s, z25.s, z18.s\n"
+    ".inst 0x44828a98  // srshl z24.s, p2/M, z24.s, z20.s\n"
+    ".inst 0x44828a99  // srshl z25.s, p2/M, z25.s, z20.s\n"
+    "sqadd z26.s, z26.s, z17.s\n"
+    "sqadd z27.s, z27.s, z16.s\n"
+    ".inst 0x44828a9a  // srshl z26.s, p2/M, z26.s, z20.s\n"
+    ".inst 0x44828a9b  // srshl z27.s, p2/M, z27.s, z20.s\n"
+    "and z19.d, z28.d, z20.d\n"
+    "and z18.d, z29.d, z20.d\n"
+    "and z17.d, z30.d, z20.d\n"
+    "and z16.d, z31.d, z20.d\n"
+    "asr z19.s, z19.s, #0x1f\n"
+    "asr z18.s, z18.s, #0x1f\n"
     "asr z17.s, z17.s, #0x1f\n"
-    "and z15.d, z23.d, z21.d\n"
-    ".inst 0x44828abf  // srshl z31.s, p2/M, z31.s, z21.s\n"
-    "asr z15.s, z15.s, #0x1f\n"
-    "sqadd z25.s, z25.s, z27.s\n"
-    ".inst 0x44828ab2  // srshl z18.s, p2/M, z18.s, z21.s\n"
-    "add z31.s, z31.s, z12.s\n"
-    "sqadd z24.s, z24.s, z17.s\n"
-    ".inst 0x44828abd  // srshl z29.s, p2/M, z29.s, z21.s\n"
-    "add z18.s, z18.s, z12.s\n"
-    "sqadd z23.s, z23.s, z15.s\n"
-    "smin z31.s, p2/M, z31.s, z0.s\n"
-    "add z29.s, z29.s, z12.s\n"
-    "smin z18.s, p2/M, z18.s, z0.s\n"
-    ".inst 0x44828abc  // srshl z28.s, p2/M, z28.s, z21.s\n"
-    "smax z31.s, p2/M, z31.s, z16.s\n"
-    "st1b { z31.s }, p0, [x26, x27]\n"
-    "add z28.s, z28.s, z12.s\n"
-    "smax z18.s, p2/M, z18.s, z16.s\n"
-    "ld1w { z31.s }, p2/Z, [SP]\n"
-    "smin z29.s, p2/M, z29.s, z0.s\n"
-    "st1b { z18.s }, p0, [x25, x27]\n"
-    "add z31.s, z31.s, z1.s\n"
-    "smin z28.s, p2/M, z28.s, z0.s\n"
-    "ld1w { z18.s }, p2/Z, [SP, #1, MUL VL]\n"
-    "smax z29.s, p2/M, z29.s, z16.s\n"
-    "st1b { z29.s }, p0, [x24, x27]\n"
-    "add z18.s, z18.s, z1.s\n"
-    "smax z28.s, p2/M, z28.s, z16.s\n"
-    "ld1w { z29.s }, p2/Z, [SP, #2, MUL VL]\n"
-    ".inst 0x44828aba  // srshl z26.s, p2/M, z26.s, z21.s\n"
-    "st1b { z28.s }, p0, [x23, x27]\n"
-    "add z29.s, z29.s, z1.s\n"
-    ".inst 0x44828ab9  // srshl z25.s, p2/M, z25.s, z21.s\n"
-    "ld1w { z28.s }, p2/Z, [SP, #3, MUL VL]\n"
-    "add z26.s, z26.s, z12.s\n"
-    ".inst 0x44828ab8  // srshl z24.s, p2/M, z24.s, z21.s\n"
-    ".inst 0x44828ab7  // srshl z23.s, p2/M, z23.s, z21.s\n"
-    "add z25.s, z25.s, z12.s\n"
-    "add z28.s, z28.s, z1.s\n"
+    "asr z16.s, z16.s, #0x1f\n"
+    "sqadd z28.s, z28.s, z19.s\n"
+    "sqadd z29.s, z29.s, z18.s\n"
+    ".inst 0x44828a9c  // srshl z28.s, p2/M, z28.s, z20.s\n"
+    ".inst 0x44828a9d  // srshl z29.s, p2/M, z29.s, z20.s\n"
+    "sqadd z30.s, z30.s, z17.s\n"
+    "sqadd z31.s, z31.s, z16.s\n"
+    ".inst 0x44828a9e  // srshl z30.s, p2/M, z30.s, z20.s\n"
+    ".inst 0x44828a9f  // srshl z31.s, p2/M, z31.s, z20.s\n"
     "add z24.s, z24.s, z12.s\n"
-    "add z23.s, z23.s, z12.s\n"
-    "smin z26.s, p2/M, z26.s, z0.s\n"
-    "smin z25.s, p2/M, z25.s, z0.s\n"
-    "smin z24.s, p2/M, z24.s, z0.s\n"
-    "smin z23.s, p2/M, z23.s, z0.s\n"
-    "smax z26.s, p2/M, z26.s, z16.s\n"
-    "st1b { z26.s }, p0, [x22, x27]\n"
-    "smax z25.s, p2/M, z25.s, z16.s\n"
-    "smax z24.s, p2/M, z24.s, z16.s\n"
-    "ld1w { z26.s }, p2/Z, [SP, #4, MUL VL]\n"
-    "smax z23.s, p2/M, z23.s, z16.s\n"
-    "st1b { z25.s }, p0, [x21, x27]\n"
-    "add z26.s, z26.s, z1.s\n"
-    "st1b { z24.s }, p0, [x20, x27]\n"
-    "st1b { z23.s }, p0, [x19, x27]\n"
-    "incw x27\n"
-    "ld1w { z25.s }, p2/Z, [SP, #5, MUL VL]\n"
-    "add z25.s, z25.s, z1.s\n"
-    "ld1w { z24.s }, p2/Z, [SP, #6, MUL VL]\n"
-    "ld1w { z23.s }, p2/Z, [SP, #7, MUL VL]\n"
-    "add z24.s, z24.s, z1.s\n"
-    "add z23.s, z23.s, z1.s\n"
+    "add z25.s, z25.s, z12.s\n"
+    "smin z24.s, p2/M, z24.s, z10.s\n"
+    "smin z25.s, p2/M, z25.s, z10.s\n"
+    "add z26.s, z26.s, z12.s\n"
+    "add z27.s, z27.s, z12.s\n"
+    "smin z26.s, p2/M, z26.s, z10.s\n"
+    "smin z27.s, p2/M, z27.s, z10.s\n"
+    "add z28.s, z28.s, z12.s\n"
+    "add z29.s, z29.s, z12.s\n"
+    "smin z28.s, p2/M, z28.s, z10.s\n"
+    "smin z29.s, p2/M, z29.s, z10.s\n"
+    "add z30.s, z30.s, z12.s\n"
+    "add z31.s, z31.s, z12.s\n"
+    "smin z30.s, p2/M, z30.s, z10.s\n"
+    "smin z31.s, p2/M, z31.s, z10.s\n"
+    "smax z24.s, p2/M, z24.s, z11.s\n"
+    "smax z25.s, p2/M, z25.s, z11.s\n"
+    "st1b { z24.s }, p0, [x27, x28]\n"
+    "mov z24.s, z22.s[0]\n"
+    "smax z26.s, p2/M, z26.s, z11.s\n"
+    "smax z27.s, p2/M, z27.s, z11.s\n"
+    "st1b { z25.s }, p0, [x26, x28]\n"
+    "mov z25.s, z22.s[1]\n"
+    "smax z28.s, p2/M, z28.s, z11.s\n"
+    "smax z29.s, p2/M, z29.s, z11.s\n"
+    "st1b { z26.s }, p0, [x25, x28]\n"
+    "mov z26.s, z22.s[2]\n"
+    "smax z30.s, p2/M, z30.s, z11.s\n"
+    "smax z31.s, p2/M, z31.s, z11.s\n"
+    "st1b { z27.s }, p0, [x24, x28]\n"
+    "mov z27.s, z22.s[3]\n"
+    "st1b { z28.s }, p0, [x23, x28]\n"
+    "mov z28.s, z23.s[0]\n"
+    "add z24.s, z24.s, z13.s\n"
+    "st1b { z29.s }, p0, [x22, x28]\n"
+    "mov z29.s, z23.s[1]\n"
+    "add z25.s, z25.s, z13.s\n"
+    "st1b { z30.s }, p0, [x21, x28]\n"
+    "mov z30.s, z23.s[2]\n"
+    "add z26.s, z26.s, z13.s\n"
+    "st1b { z31.s }, p0, [x20, x28]\n"
+    "mov z31.s, z23.s[3]\n"
+    "incw x28\n"
+    "add z27.s, z27.s, z13.s\n"
+    "add z28.s, z28.s, z13.s\n"
+    "add z29.s, z29.s, z13.s\n"
+    "add z30.s, z30.s, z13.s\n"
+    "add z31.s, z31.s, z13.s\n"
     "b.any 1b\n"
-    "addvl SP, SP, #8\n"
     : [params] "+&r" (params)
     : [inptrs] "r" (inptrs), [n_channels] "r" (n_output_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", "x19", "x20", "x21", "x22", "x23", "x24", "x25", "x26", "x27", "x28", "z0", "z1", "z2", "z3", "z4", "z5", "z6", "z7", "z8", "z9", "z10", "z11", "z12", "z13", "z14", "z15", "z16", "z17", "z18", "z19", "z20", "z21", "z22", "z23", "z24", "z25", "z26", "z27", "z28", "z29", "z30", "z31"
+    : "cc", "memory", "p0", "p1", "p2", "x9", "x10", "x20", "x21", "x22", "x23", "x24", "x25", "x26", "x27", "x28", "z0", "z1", "z2", "z3", "z4", "z5", "z6", "z7", "z8", "z9", "z10", "z11", "z12", "z13", "z14", "z15", "z16", "z17", "z18", "z19", "z20", "z21", "z22", "z23", "z24", "z25", "z26", "z27", "z28", "z29", "z30", "z31"
   );
 }