define ptx_kernel void @main_graph_async_dispatch_33_softmax_Dx28xDxDxf32_generic(ptr addrspace(1) noalias noundef nonnull readonly align 16 captures(none) %0, ptr addrspace(1) noalias noundef nonnull readonly align 16 captures(none) %1, ptr addrspace(1) noalias nofree noundef nonnull writeonly align 16 captures(none) %2, i32 noundef %3, i32 noundef %4, i32 noundef %5, i32 noundef %6, i32 noundef %7, i32 noundef %8, i32 noundef %9, i32 noundef %10, i32 noundef %11, i32 noundef %12, i32 noundef %13, i32 noundef %14, i32 noundef %15, i32 noundef %16) local_unnamed_addr #9 {
  %18 = zext i32 %3 to i64
  %19 = zext i32 %4 to i64
  %20 = shl nuw i64 %19, 32
  %21 = or disjoint i64 %20, %18
  %22 = zext i32 %9 to i64
  %23 = zext i32 %10 to i64
  %24 = shl nuw i64 %23, 32
  %25 = or disjoint i64 %24, %22
  %26 = zext i32 %11 to i64
  %27 = zext i32 %12 to i64
  %28 = shl nuw i64 %27, 32
  %29 = or disjoint i64 %28, %26
  %30 = zext i32 %13 to i64
  %31 = zext nneg i32 %14 to i64
  %32 = shl nuw nsw i64 %31, 32
  %33 = or disjoint i64 %32, %30
  %34 = zext i32 %15 to i64
  %35 = zext i32 %16 to i64
  %36 = shl nuw i64 %35, 32
  %37 = or disjoint i64 %36, %34
  %38 = icmp ult i32 %10, 2097152
  tail call void @llvm.assume(i1 %38)
  %39 = icmp ult i64 %29, 18014398509481983
  tail call void @llvm.assume(i1 %39)
  %40 = icmp ult i32 %14, 2097152
  tail call void @llvm.assume(i1 %40)
  %41 = icmp ult i64 %37, 18014398509481983
  tail call void @llvm.assume(i1 %41)
  %42 = mul i64 %29, %25
  call void @llvm.assume(i1 true) [ "align"(ptr addrspace(1) %0, i64 64) ]
  %43 = lshr i64 %21, 1
  %44 = and i64 %43, 1152921504606846975
  %45 = mul i64 %37, %25
  %46 = mul i64 %45, 28
  %47 = getelementptr [2 x i8], ptr addrspace(1) %1, i64 %44
  call void @llvm.assume(i1 true) [ "align"(ptr addrspace(1) %47, i64 64) ]
  call void @llvm.assume(i1 true) [ "align"(ptr addrspace(1) %2, i64 64) ]
  %48 = mul nuw nsw i64 %25, 28
  %49 = mul nuw nsw i64 %33, %48
  %50 = tail call range(i32 0, 2147483647) i32 @llvm.nvvm.read.ptx.sreg.ctaid.x()
  %51 = zext nneg i32 %50 to i64
  %52 = tail call range(i32 1, -2147483648) i32 @llvm.nvvm.read.ptx.sreg.nctaid.x()
  %53 = zext nneg i32 %52 to i64
  %54 = icmp samesign ugt i64 %49, %51
  br i1 %54, label %.lr.ph23, label %._crit_edge24

.lr.ph23:                                         ; preds = %17
  %55 = tail call range(i32 0, 1024) i32 @llvm.nvvm.read.ptx.sreg.tid.x()
  %56 = icmp eq i64 %37, 0
  %57 = tail call i64 @llvm.usub.sat.i64(i64 %37, i64 1)
  %58 = lshr i64 %57, 3
  %59 = and i64 %58, 2251799813684224
  %60 = shl nuw nsw i32 %55, 3
  %61 = insertelement <8 x i32> poison, i32 %60, i64 0
  %62 = shufflevector <8 x i32> %61, <8 x i32> poison, <8 x i32> zeroinitializer
  %63 = zext nneg i32 %60 to i64
  %64 = insertelement <8 x i64> poison, i64 %37, i64 0
  %65 = shufflevector <8 x i64> %64, <8 x i64> poison, <8 x i32> zeroinitializer
  %66 = lshr i32 %55, 5
  %67 = zext nneg i32 %66 to i64
  %68 = and i32 %55, 31
  %69 = icmp eq i32 %68, 0
  %70 = getelementptr [4 x i8], ptr addrspace(3) @__dynamic_shared_memory__, i64 %67
  %71 = zext nneg i32 %68 to i64
  %72 = getelementptr [4 x i8], ptr addrspace(3) @__dynamic_shared_memory__, i64 %71
  %73 = shl nuw nsw i32 %66, 8
  %74 = shl nuw nsw i32 %68, 3
  %.scalar27 = or disjoint i32 %74, %73
  %75 = insertelement <8 x i32> poison, i32 %.scalar27, i64 0
  %76 = shufflevector <8 x i32> %75, <8 x i32> poison, <8 x i32> zeroinitializer
  %77 = or disjoint i32 %73, %74
  %78 = zext nneg i32 %77 to i64
  %79 = getelementptr [4 x i8], ptr addrspace(3) getelementptr (i8, ptr addrspace(3) @__dynamic_shared_memory__, i64 136), i64 %67
  %80 = getelementptr [4 x i8], ptr addrspace(3) getelementptr (i8, ptr addrspace(3) @__dynamic_shared_memory__, i64 136), i64 %71
  br label %81

81:                                               ; preds = %.lr.ph23, %._crit_edge21
  %82 = phi i64 [ %51, %.lr.ph23 ], [ %558, %._crit_edge21 ]
  %.frozen = freeze i64 %82
  %83 = sdiv i64 %.frozen, %48
  %84 = mul i64 %83, %48
  %85 = icmp ne i64 %82, %84
  %86 = icmp slt i64 %82, 0
  %87 = and i1 %86, %85
  %88 = sext i1 %87 to i64
  %89 = add i64 %83, %88
  %90 = mul i64 %83, %48
  %.decomposed = sub i64 %.frozen, %90
  %91 = icmp slt i64 %.decomposed, 0
  %92 = select i1 %91, i64 %48, i64 0
  %93 = add nsw i64 %92, %.decomposed
  %94 = sdiv i64 %93, %25
  %95 = srem i64 %82, %25
  %96 = icmp slt i64 %95, 0
  %97 = select i1 %96, i64 %25, i64 0
  %98 = add nsw i64 %97, %95
  br i1 %56, label %._crit_edge, label %.lr.ph

.lr.ph:                                           ; preds = %81
  %99 = tail call <8 x i64> @llvm.stepvector.v8i64()
  %100 = trunc <8 x i64> %99 to <8 x i32>
  %101 = add <8 x i32> %62, %100
  %102 = zext <8 x i32> %101 to <8 x i64>
  %103 = mul i64 %89, %46
  %104 = mul i64 %94, %45
  %105 = mul i64 %98, %37
  %106 = getelementptr [2 x i8], ptr addrspace(1) %47, i64 %103
  %107 = getelementptr [2 x i8], ptr addrspace(1) %106, i64 %104
  %108 = getelementptr [2 x i8], ptr addrspace(1) %107, i64 %105
  %109 = mul i64 %89, %42
  %110 = mul i64 %98, %29
  %111 = getelementptr i8, ptr addrspace(1) %0, i64 %109
  %112 = getelementptr i8, ptr addrspace(1) %111, i64 %110
  br label %113

113:                                              ; preds = %.lr.ph, %113
  %114 = phi <1 x float> [ splat (float -qnan), %.lr.ph ], [ %140, %113 ]
  %115 = phi i64 [ 0, %.lr.ph ], [ %141, %113 ]
  %116 = shl nuw nsw i64 %115, 3
  %117 = sub nsw i64 %37, %116
  %118 = tail call i64 @llvm.smin.i64(i64 %117, i64 8192)
  %119 = insertelement <8 x i64> poison, i64 %118, i64 0
  %120 = shufflevector <8 x i64> %119, <8 x i64> poison, <8 x i32> zeroinitializer
  %121 = icmp sgt <8 x i64> %120, %102
  %122 = or disjoint i64 %116, %63
  %123 = getelementptr [2 x i8], ptr addrspace(1) %108, i64 %122
  %124 = tail call <8 x half> @llvm.masked.load.v8f16.p1(ptr addrspace(1) align 2 %123, <8 x i1> %121, <8 x half> poison)
  %125 = getelementptr i8, ptr addrspace(1) %112, i64 %122
  %126 = tail call <8 x i8> @llvm.masked.load.v8i8.p1(ptr addrspace(1) align 1 %125, <8 x i1> %121, <8 x i8> poison)
  %.scalar29 = or disjoint i64 %116, %63
  %127 = insertelement <8 x i64> poison, i64 %.scalar29, i64 0
  %128 = shufflevector <8 x i64> %127, <8 x i64> poison, <8 x i32> zeroinitializer
  %129 = add <8 x i64> %99, %128
  %130 = icmp ult <8 x i64> %129, %65
  %131 = trunc <8 x i8> %126 to <8 x i1>
  %132 = select <8 x i1> %131, <8 x float> zeroinitializer, <8 x float> splat (float -inf)
  %133 = fpext <8 x half> %124 to <8 x float>
  %134 = fadd <8 x float> %132, %133
  %135 = select <8 x i1> %130, <8 x float> %134, <8 x float> splat (float -qnan)
  %136 = tail call float @llvm.vector.reduce.fmax.v8f32(<8 x float> %135)
  %137 = tail call float @llvm.maxnum.f32(float %136, float -inf)
  %138 = extractelement <1 x float> %114, i64 0
  %139 = tail call float @llvm.maximumnum.f32(float %137, float %138)
  %140 = insertelement <1 x float> poison, float %139, i64 0
  %141 = add nuw nsw i64 %115, 1024
  %142 = icmp samesign ult i64 %115, %59
  br i1 %142, label %113, label %._crit_edge

._crit_edge:                                      ; preds = %113, %81
  %.lcssa = phi <1 x float> [ splat (float -qnan), %81 ], [ %140, %113 ]
  %143 = extractelement <1 x float> %.lcssa, i64 0
  %144 = tail call float @llvm.maximumnum.f32(float %143, float -inf)
  %145 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %144, i32 1, i32 31)
  %146 = tail call float @llvm.maximumnum.f32(float %144, float %145)
  %147 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %146, i32 2, i32 31)
  %148 = tail call float @llvm.maximumnum.f32(float %146, float %147)
  %149 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %148, i32 4, i32 31)
  %150 = tail call float @llvm.maximumnum.f32(float %148, float %149)
  %151 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %150, i32 8, i32 31)
  %152 = tail call float @llvm.maximumnum.f32(float %150, float %151)
  %153 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %152, i32 16, i32 31)
  tail call void @llvm.nvvm.barrier.cta.sync.aligned.all(i32 0)
  br i1 %69, label %154, label %157

154:                                              ; preds = %._crit_edge
  %155 = tail call float @llvm.maximumnum.f32(float %152, float %153)
  %156 = insertelement <1 x float> poison, float %155, i64 0
  store <1 x float> %156, ptr addrspace(3) %70, align 4
  br label %157

157:                                              ; preds = %154, %._crit_edge
  tail call void @llvm.nvvm.barrier.cta.sync.aligned.all(i32 0)
  %158 = load float, ptr addrspace(3) %72, align 4
  %159 = tail call float @llvm.maximumnum.f32(float %158, float -inf)
  %160 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %159, i32 1, i32 31)
  %161 = tail call float @llvm.maximumnum.f32(float %159, float %160)
  %162 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %161, i32 2, i32 31)
  %163 = tail call float @llvm.maximumnum.f32(float %161, float %162)
  %164 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %163, i32 4, i32 31)
  %165 = tail call float @llvm.maximumnum.f32(float %163, float %164)
  %166 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %165, i32 8, i32 31)
  %167 = tail call float @llvm.maximumnum.f32(float %165, float %166)
  %168 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %167, i32 16, i32 31)
  %169 = tail call float @llvm.maximumnum.f32(float %167, float %168)
  br i1 %56, label %._crit_edge17, label %.lr.ph16

.lr.ph16:                                         ; preds = %157
  %170 = tail call <8 x i64> @llvm.stepvector.v8i64()
  %171 = trunc <8 x i64> %170 to <8 x i32>
  %172 = add <8 x i32> %76, %171
  %173 = zext <8 x i32> %172 to <8 x i64>
  %174 = mul i64 %89, %46
  %175 = mul i64 %94, %45
  %176 = mul i64 %98, %37
  %177 = getelementptr [2 x i8], ptr addrspace(1) %47, i64 %174
  %178 = getelementptr [2 x i8], ptr addrspace(1) %177, i64 %175
  %179 = getelementptr [2 x i8], ptr addrspace(1) %178, i64 %176
  %180 = mul i64 %89, %42
  %181 = mul i64 %98, %29
  %182 = getelementptr i8, ptr addrspace(1) %0, i64 %180
  %183 = getelementptr i8, ptr addrspace(1) %182, i64 %181
  %184 = insertelement <8 x float> poison, float %169, i64 0
  %185 = shufflevector <8 x float> %184, <8 x float> poison, <8 x i32> zeroinitializer
  br label %186

186:                                              ; preds = %.lr.ph16, %186
  %187 = phi float [ 0.000000e+00, %.lr.ph16 ], [ %350, %186 ]
  %188 = phi i64 [ 0, %.lr.ph16 ], [ %351, %186 ]
  %189 = shl nuw nsw i64 %188, 3
  %190 = sub nsw i64 %37, %189
  %191 = tail call i64 @llvm.smin.i64(i64 %190, i64 8192)
  %192 = insertelement <8 x i64> poison, i64 %191, i64 0
  %193 = shufflevector <8 x i64> %192, <8 x i64> poison, <8 x i32> zeroinitializer
  %194 = icmp sgt <8 x i64> %193, %173
  %195 = or disjoint i64 %189, %78
  %196 = getelementptr [2 x i8], ptr addrspace(1) %179, i64 %195
  %197 = tail call <8 x half> @llvm.masked.load.v8f16.p1(ptr addrspace(1) align 2 %196, <8 x i1> %194, <8 x half> poison)
  %198 = getelementptr i8, ptr addrspace(1) %183, i64 %195
  %199 = tail call <8 x i8> @llvm.masked.load.v8i8.p1(ptr addrspace(1) align 1 %198, <8 x i1> %194, <8 x i8> poison)
  %.scalar31 = or disjoint i64 %189, %63
  %200 = insertelement <8 x i64> poison, i64 %.scalar31, i64 0
  %201 = shufflevector <8 x i64> %200, <8 x i64> poison, <8 x i32> zeroinitializer
  %202 = add <8 x i64> %170, %201
  %203 = icmp ult <8 x i64> %202, %65
  %204 = trunc <8 x i8> %199 to <8 x i1>
  %205 = select <8 x i1> %204, <8 x float> zeroinitializer, <8 x float> splat (float -inf)
  %206 = fpext <8 x half> %197 to <8 x float>
  %207 = fadd <8 x float> %205, %206
  %208 = fsub <8 x float> %207, %185
  %.inv10 = fcmp olt <8 x float> %208, splat (float -8.780000e+01)
  %209 = select <8 x i1> %.inv10, <8 x float> splat (float -8.780000e+01), <8 x float> %208
  %.inv11 = fcmp ogt <8 x float> %209, splat (float 8.880000e+01)
  %210 = select <8 x i1> %.inv11, <8 x float> splat (float 8.880000e+01), <8 x float> %209
  %211 = extractelement <8 x float> %210, i64 0
  %212 = tail call float @llvm.fma.f32(float %211, float f0x3FB8AA3B, float 5.000000e-01)
  %213 = extractelement <8 x float> %210, i64 1
  %214 = tail call float @llvm.fma.f32(float %213, float f0x3FB8AA3B, float 5.000000e-01)
  %215 = extractelement <8 x float> %210, i64 2
  %216 = tail call float @llvm.fma.f32(float %215, float f0x3FB8AA3B, float 5.000000e-01)
  %217 = extractelement <8 x float> %210, i64 3
  %218 = tail call float @llvm.fma.f32(float %217, float f0x3FB8AA3B, float 5.000000e-01)
  %219 = extractelement <8 x float> %210, i64 4
  %220 = tail call float @llvm.fma.f32(float %219, float f0x3FB8AA3B, float 5.000000e-01)
  %221 = extractelement <8 x float> %210, i64 5
  %222 = tail call float @llvm.fma.f32(float %221, float f0x3FB8AA3B, float 5.000000e-01)
  %223 = extractelement <8 x float> %210, i64 6
  %224 = tail call float @llvm.fma.f32(float %223, float f0x3FB8AA3B, float 5.000000e-01)
  %225 = extractelement <8 x float> %210, i64 7
  %226 = tail call float @llvm.fma.f32(float %225, float f0x3FB8AA3B, float 5.000000e-01)
  %227 = tail call float @llvm.floor.f32(float %212)
  %228 = insertelement <8 x float> poison, float %227, i64 0
  %229 = tail call float @llvm.floor.f32(float %214)
  %230 = insertelement <8 x float> %228, float %229, i64 1
  %231 = tail call float @llvm.floor.f32(float %216)
  %232 = insertelement <8 x float> %230, float %231, i64 2
  %233 = tail call float @llvm.floor.f32(float %218)
  %234 = insertelement <8 x float> %232, float %233, i64 3
  %235 = tail call float @llvm.floor.f32(float %220)
  %236 = insertelement <8 x float> %234, float %235, i64 4
  %237 = tail call float @llvm.floor.f32(float %222)
  %238 = insertelement <8 x float> %236, float %237, i64 5
  %239 = tail call float @llvm.floor.f32(float %224)
  %240 = insertelement <8 x float> %238, float %239, i64 6
  %241 = tail call float @llvm.floor.f32(float %226)
  %242 = insertelement <8 x float> %240, float %241, i64 7
  %.inv12 = fcmp olt <8 x float> %242, splat (float -1.270000e+02)
  %243 = select <8 x i1> %.inv12, <8 x float> splat (float -1.270000e+02), <8 x float> %242
  %.inv13 = fcmp ogt <8 x float> %243, splat (float 1.270000e+02)
  %244 = select <8 x i1> %.inv13, <8 x float> splat (float 1.270000e+02), <8 x float> %243
  %245 = extractelement <8 x float> %244, i64 0
  %246 = tail call float @llvm.fma.f32(float %245, float f0xBF318000, float %211)
  %247 = extractelement <8 x float> %244, i64 1
  %248 = tail call float @llvm.fma.f32(float %247, float f0xBF318000, float %213)
  %249 = extractelement <8 x float> %244, i64 2
  %250 = tail call float @llvm.fma.f32(float %249, float f0xBF318000, float %215)
  %251 = extractelement <8 x float> %244, i64 3
  %252 = tail call float @llvm.fma.f32(float %251, float f0xBF318000, float %217)
  %253 = extractelement <8 x float> %244, i64 4
  %254 = tail call float @llvm.fma.f32(float %253, float f0xBF318000, float %219)
  %255 = extractelement <8 x float> %244, i64 5
  %256 = tail call float @llvm.fma.f32(float %255, float f0xBF318000, float %221)
  %257 = extractelement <8 x float> %244, i64 6
  %258 = tail call float @llvm.fma.f32(float %257, float f0xBF318000, float %223)
  %259 = extractelement <8 x float> %244, i64 7
  %260 = tail call float @llvm.fma.f32(float %259, float f0xBF318000, float %225)
  %261 = tail call float @llvm.fma.f32(float %245, float f0x395E8083, float %246)
  %262 = insertelement <8 x float> poison, float %261, i64 0
  %263 = tail call float @llvm.fma.f32(float %247, float f0x395E8083, float %248)
  %264 = insertelement <8 x float> %262, float %263, i64 1
  %265 = tail call float @llvm.fma.f32(float %249, float f0x395E8083, float %250)
  %266 = insertelement <8 x float> %264, float %265, i64 2
  %267 = tail call float @llvm.fma.f32(float %251, float f0x395E8083, float %252)
  %268 = insertelement <8 x float> %266, float %267, i64 3
  %269 = tail call float @llvm.fma.f32(float %253, float f0x395E8083, float %254)
  %270 = insertelement <8 x float> %268, float %269, i64 4
  %271 = tail call float @llvm.fma.f32(float %255, float f0x395E8083, float %256)
  %272 = insertelement <8 x float> %270, float %271, i64 5
  %273 = tail call float @llvm.fma.f32(float %257, float f0x395E8083, float %258)
  %274 = insertelement <8 x float> %272, float %273, i64 6
  %275 = tail call float @llvm.fma.f32(float %259, float f0x395E8083, float %260)
  %276 = insertelement <8 x float> %274, float %275, i64 7
  %277 = tail call float @llvm.fma.f32(float %261, float f0x39506967, float f0x3AB743CE)
  %278 = tail call float @llvm.fma.f32(float %263, float f0x39506967, float f0x3AB743CE)
  %279 = tail call float @llvm.fma.f32(float %265, float f0x39506967, float f0x3AB743CE)
  %280 = tail call float @llvm.fma.f32(float %267, float f0x39506967, float f0x3AB743CE)
  %281 = tail call float @llvm.fma.f32(float %269, float f0x39506967, float f0x3AB743CE)
  %282 = tail call float @llvm.fma.f32(float %271, float f0x39506967, float f0x3AB743CE)
  %283 = tail call float @llvm.fma.f32(float %273, float f0x39506967, float f0x3AB743CE)
  %284 = tail call float @llvm.fma.f32(float %275, float f0x39506967, float f0x3AB743CE)
  %285 = tail call float @llvm.fma.f32(float %277, float %261, float f0x3C088908)
  %286 = tail call float @llvm.fma.f32(float %278, float %263, float f0x3C088908)
  %287 = tail call float @llvm.fma.f32(float %279, float %265, float f0x3C088908)
  %288 = tail call float @llvm.fma.f32(float %280, float %267, float f0x3C088908)
  %289 = tail call float @llvm.fma.f32(float %281, float %269, float f0x3C088908)
  %290 = tail call float @llvm.fma.f32(float %282, float %271, float f0x3C088908)
  %291 = tail call float @llvm.fma.f32(float %283, float %273, float f0x3C088908)
  %292 = tail call float @llvm.fma.f32(float %284, float %275, float f0x3C088908)
  %293 = tail call float @llvm.fma.f32(float %285, float %261, float f0x3D2AA9C1)
  %294 = tail call float @llvm.fma.f32(float %286, float %263, float f0x3D2AA9C1)
  %295 = tail call float @llvm.fma.f32(float %287, float %265, float f0x3D2AA9C1)
  %296 = tail call float @llvm.fma.f32(float %288, float %267, float f0x3D2AA9C1)
  %297 = tail call float @llvm.fma.f32(float %289, float %269, float f0x3D2AA9C1)
  %298 = tail call float @llvm.fma.f32(float %290, float %271, float f0x3D2AA9C1)
  %299 = tail call float @llvm.fma.f32(float %291, float %273, float f0x3D2AA9C1)
  %300 = tail call float @llvm.fma.f32(float %292, float %275, float f0x3D2AA9C1)
  %301 = tail call float @llvm.fma.f32(float %293, float %261, float f0x3E2AAAAA)
  %302 = tail call float @llvm.fma.f32(float %294, float %263, float f0x3E2AAAAA)
  %303 = tail call float @llvm.fma.f32(float %295, float %265, float f0x3E2AAAAA)
  %304 = tail call float @llvm.fma.f32(float %296, float %267, float f0x3E2AAAAA)
  %305 = tail call float @llvm.fma.f32(float %297, float %269, float f0x3E2AAAAA)
  %306 = tail call float @llvm.fma.f32(float %298, float %271, float f0x3E2AAAAA)
  %307 = tail call float @llvm.fma.f32(float %299, float %273, float f0x3E2AAAAA)
  %308 = tail call float @llvm.fma.f32(float %300, float %275, float f0x3E2AAAAA)
  %309 = tail call float @llvm.fma.f32(float %301, float %261, float 5.000000e-01)
  %310 = tail call float @llvm.fma.f32(float %302, float %263, float 5.000000e-01)
  %311 = tail call float @llvm.fma.f32(float %303, float %265, float 5.000000e-01)
  %312 = tail call float @llvm.fma.f32(float %304, float %267, float 5.000000e-01)
  %313 = tail call float @llvm.fma.f32(float %305, float %269, float 5.000000e-01)
  %314 = tail call float @llvm.fma.f32(float %306, float %271, float 5.000000e-01)
  %315 = tail call float @llvm.fma.f32(float %307, float %273, float 5.000000e-01)
  %316 = tail call float @llvm.fma.f32(float %308, float %275, float 5.000000e-01)
  %317 = fmul <8 x float> %276, %276
  %318 = extractelement <8 x float> %317, i64 0
  %319 = tail call float @llvm.fma.f32(float %309, float %318, float %261)
  %320 = insertelement <8 x float> poison, float %319, i64 0
  %321 = extractelement <8 x float> %317, i64 1
  %322 = tail call float @llvm.fma.f32(float %310, float %321, float %263)
  %323 = insertelement <8 x float> %320, float %322, i64 1
  %324 = extractelement <8 x float> %317, i64 2
  %325 = tail call float @llvm.fma.f32(float %311, float %324, float %265)
  %326 = insertelement <8 x float> %323, float %325, i64 2
  %327 = extractelement <8 x float> %317, i64 3
  %328 = tail call float @llvm.fma.f32(float %312, float %327, float %267)
  %329 = insertelement <8 x float> %326, float %328, i64 3
  %330 = extractelement <8 x float> %317, i64 4
  %331 = tail call float @llvm.fma.f32(float %313, float %330, float %269)
  %332 = insertelement <8 x float> %329, float %331, i64 4
  %333 = extractelement <8 x float> %317, i64 5
  %334 = tail call float @llvm.fma.f32(float %314, float %333, float %271)
  %335 = insertelement <8 x float> %332, float %334, i64 5
  %336 = extractelement <8 x float> %317, i64 6
  %337 = tail call float @llvm.fma.f32(float %315, float %336, float %273)
  %338 = insertelement <8 x float> %335, float %337, i64 6
  %339 = extractelement <8 x float> %317, i64 7
  %340 = tail call float @llvm.fma.f32(float %316, float %339, float %275)
  %341 = insertelement <8 x float> %338, float %340, i64 7
  %342 = fadd <8 x float> %341, splat (float 1.000000e+00)
  %343 = fptosi <8 x float> %244 to <8 x i32>
  %344 = shl <8 x i32> %343, splat (i32 23)
  %345 = add <8 x i32> %344, splat (i32 1065353216)
  %346 = bitcast <8 x i32> %345 to <8 x float>
  %347 = fmul <8 x float> %342, %346
  %348 = select <8 x i1> %203, <8 x float> %347, <8 x float> zeroinitializer
  %349 = tail call float @llvm.vector.reduce.fadd.v8f32(float 0.000000e+00, <8 x float> %348)
  %350 = fadd float %187, %349
  %351 = add nuw nsw i64 %188, 1024
  %352 = icmp samesign ult i64 %188, %59
  br i1 %352, label %186, label %._crit_edge17.loopexit

._crit_edge17.loopexit:                           ; preds = %186
  %353 = fadd float %350, 0.000000e+00
  br label %._crit_edge17

._crit_edge17:                                    ; preds = %._crit_edge17.loopexit, %157
  %.lcssa14 = phi float [ 0.000000e+00, %157 ], [ %353, %._crit_edge17.loopexit ]
  %354 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %.lcssa14, i32 1, i32 31)
  %355 = fadd float %.lcssa14, %354
  %356 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %355, i32 2, i32 31)
  %357 = fadd float %355, %356
  %358 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %357, i32 4, i32 31)
  %359 = fadd float %357, %358
  %360 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %359, i32 8, i32 31)
  %361 = fadd float %359, %360
  %362 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %361, i32 16, i32 31)
  tail call void @llvm.nvvm.barrier.cta.sync.aligned.all(i32 0)
  br i1 %69, label %363, label %366

363:                                              ; preds = %._crit_edge17
  %364 = fadd float %361, %362
  %365 = insertelement <1 x float> poison, float %364, i64 0
  store <1 x float> %365, ptr addrspace(3) %79, align 4
  br label %366

366:                                              ; preds = %363, %._crit_edge17
  tail call void @llvm.nvvm.barrier.cta.sync.aligned.all(i32 0)
  %367 = load float, ptr addrspace(3) %80, align 4
  %368 = fadd float %367, 0.000000e+00
  %369 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %368, i32 1, i32 31)
  %370 = fadd float %369, %368
  %371 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %370, i32 2, i32 31)
  %372 = fadd float %371, %370
  %373 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %372, i32 4, i32 31)
  %374 = fadd float %373, %372
  %375 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %374, i32 8, i32 31)
  %376 = fadd float %375, %374
  %377 = tail call float @llvm.nvvm.shfl.sync.bfly.f32(i32 -1, float %376, i32 16, i32 31)
  br i1 %56, label %._crit_edge21, label %.lr.ph20

.lr.ph20:                                         ; preds = %366
  %378 = fadd float %377, %376
  %379 = tail call <8 x i64> @llvm.stepvector.v8i64()
  %380 = trunc <8 x i64> %379 to <8 x i32>
  %381 = add <8 x i32> %76, %380
  %382 = zext <8 x i32> %381 to <8 x i64>
  %383 = mul i64 %89, %46
  %384 = mul i64 %94, %45
  %385 = add i64 %383, %384
  %386 = mul i64 %98, %37
  %387 = add i64 %385, %386
  %388 = mul i64 %89, %42
  %389 = mul i64 %98, %29
  %390 = getelementptr i8, ptr addrspace(1) %0, i64 %388
  %391 = getelementptr i8, ptr addrspace(1) %390, i64 %389
  %392 = insertelement <8 x float> poison, float %169, i64 0
  %393 = shufflevector <8 x float> %392, <8 x float> poison, <8 x i32> zeroinitializer
  %394 = insertelement <8 x float> poison, float %378, i64 0
  %395 = shufflevector <8 x float> %394, <8 x float> poison, <8 x i32> zeroinitializer
  br label %396

396:                                              ; preds = %.lr.ph20, %396
  %397 = phi i64 [ 0, %.lr.ph20 ], [ %556, %396 ]
  %398 = sub nuw nsw i64 %37, %397
  %399 = tail call i64 @llvm.smin.i64(i64 %398, i64 8192)
  %400 = insertelement <8 x i64> poison, i64 %399, i64 0
  %401 = shufflevector <8 x i64> %400, <8 x i64> poison, <8 x i32> zeroinitializer
  %402 = icmp samesign ugt <8 x i64> %401, %382
  %403 = or disjoint i64 %397, %78
  %404 = add i64 %387, %403
  %405 = getelementptr [2 x i8], ptr addrspace(1) %47, i64 %404
  %406 = tail call <8 x half> @llvm.masked.load.v8f16.p1(ptr addrspace(1) align 2 %405, <8 x i1> %402, <8 x half> poison)
  %407 = getelementptr i8, ptr addrspace(1) %391, i64 %403
  %408 = tail call <8 x i8> @llvm.masked.load.v8i8.p1(ptr addrspace(1) align 1 %407, <8 x i1> %402, <8 x i8> poison)
  %409 = trunc <8 x i8> %408 to <8 x i1>
  %410 = select <8 x i1> %409, <8 x float> zeroinitializer, <8 x float> splat (float -inf)
  %411 = fpext <8 x half> %406 to <8 x float>
  %412 = fadd <8 x float> %410, %411
  %413 = fsub <8 x float> %412, %393
  %.inv = fcmp olt <8 x float> %413, splat (float -8.780000e+01)
  %414 = select <8 x i1> %.inv, <8 x float> splat (float -8.780000e+01), <8 x float> %413
  %.inv6 = fcmp ogt <8 x float> %414, splat (float 8.880000e+01)
  %415 = select <8 x i1> %.inv6, <8 x float> splat (float 8.880000e+01), <8 x float> %414
  %416 = extractelement <8 x float> %415, i64 0
  %417 = tail call float @llvm.fma.f32(float %416, float f0x3FB8AA3B, float 5.000000e-01)
  %418 = extractelement <8 x float> %415, i64 1
  %419 = tail call float @llvm.fma.f32(float %418, float f0x3FB8AA3B, float 5.000000e-01)
  %420 = extractelement <8 x float> %415, i64 2
  %421 = tail call float @llvm.fma.f32(float %420, float f0x3FB8AA3B, float 5.000000e-01)
  %422 = extractelement <8 x float> %415, i64 3
  %423 = tail call float @llvm.fma.f32(float %422, float f0x3FB8AA3B, float 5.000000e-01)
  %424 = extractelement <8 x float> %415, i64 4
  %425 = tail call float @llvm.fma.f32(float %424, float f0x3FB8AA3B, float 5.000000e-01)
  %426 = extractelement <8 x float> %415, i64 5
  %427 = tail call float @llvm.fma.f32(float %426, float f0x3FB8AA3B, float 5.000000e-01)
  %428 = extractelement <8 x float> %415, i64 6
  %429 = tail call float @llvm.fma.f32(float %428, float f0x3FB8AA3B, float 5.000000e-01)
  %430 = extractelement <8 x float> %415, i64 7
  %431 = tail call float @llvm.fma.f32(float %430, float f0x3FB8AA3B, float 5.000000e-01)
  %432 = tail call float @llvm.floor.f32(float %417)
  %433 = insertelement <8 x float> poison, float %432, i64 0
  %434 = tail call float @llvm.floor.f32(float %419)
  %435 = insertelement <8 x float> %433, float %434, i64 1
  %436 = tail call float @llvm.floor.f32(float %421)
  %437 = insertelement <8 x float> %435, float %436, i64 2
  %438 = tail call float @llvm.floor.f32(float %423)
  %439 = insertelement <8 x float> %437, float %438, i64 3
  %440 = tail call float @llvm.floor.f32(float %425)
  %441 = insertelement <8 x float> %439, float %440, i64 4
  %442 = tail call float @llvm.floor.f32(float %427)
  %443 = insertelement <8 x float> %441, float %442, i64 5
  %444 = tail call float @llvm.floor.f32(float %429)
  %445 = insertelement <8 x float> %443, float %444, i64 6
  %446 = tail call float @llvm.floor.f32(float %431)
  %447 = insertelement <8 x float> %445, float %446, i64 7
  %.inv7 = fcmp olt <8 x float> %447, splat (float -1.270000e+02)
  %448 = select <8 x i1> %.inv7, <8 x float> splat (float -1.270000e+02), <8 x float> %447
  %.inv8 = fcmp ogt <8 x float> %448, splat (float 1.270000e+02)
  %449 = select <8 x i1> %.inv8, <8 x float> splat (float 1.270000e+02), <8 x float> %448
  %450 = extractelement <8 x float> %449, i64 0
  %451 = tail call float @llvm.fma.f32(float %450, float f0xBF318000, float %416)
  %452 = extractelement <8 x float> %449, i64 1
  %453 = tail call float @llvm.fma.f32(float %452, float f0xBF318000, float %418)
  %454 = extractelement <8 x float> %449, i64 2
  %455 = tail call float @llvm.fma.f32(float %454, float f0xBF318000, float %420)
  %456 = extractelement <8 x float> %449, i64 3
  %457 = tail call float @llvm.fma.f32(float %456, float f0xBF318000, float %422)
  %458 = extractelement <8 x float> %449, i64 4
  %459 = tail call float @llvm.fma.f32(float %458, float f0xBF318000, float %424)
  %460 = extractelement <8 x float> %449, i64 5
  %461 = tail call float @llvm.fma.f32(float %460, float f0xBF318000, float %426)
  %462 = extractelement <8 x float> %449, i64 6
  %463 = tail call float @llvm.fma.f32(float %462, float f0xBF318000, float %428)
  %464 = extractelement <8 x float> %449, i64 7
  %465 = tail call float @llvm.fma.f32(float %464, float f0xBF318000, float %430)
  %466 = tail call float @llvm.fma.f32(float %450, float f0x395E8083, float %451)
  %467 = insertelement <8 x float> poison, float %466, i64 0
  %468 = tail call float @llvm.fma.f32(float %452, float f0x395E8083, float %453)
  %469 = insertelement <8 x float> %467, float %468, i64 1
  %470 = tail call float @llvm.fma.f32(float %454, float f0x395E8083, float %455)
  %471 = insertelement <8 x float> %469, float %470, i64 2
  %472 = tail call float @llvm.fma.f32(float %456, float f0x395E8083, float %457)
  %473 = insertelement <8 x float> %471, float %472, i64 3
  %474 = tail call float @llvm.fma.f32(float %458, float f0x395E8083, float %459)
  %475 = insertelement <8 x float> %473, float %474, i64 4
  %476 = tail call float @llvm.fma.f32(float %460, float f0x395E8083, float %461)
  %477 = insertelement <8 x float> %475, float %476, i64 5
  %478 = tail call float @llvm.fma.f32(float %462, float f0x395E8083, float %463)
  %479 = insertelement <8 x float> %477, float %478, i64 6
  %480 = tail call float @llvm.fma.f32(float %464, float f0x395E8083, float %465)
  %481 = insertelement <8 x float> %479, float %480, i64 7
  %482 = tail call float @llvm.fma.f32(float %466, float f0x39506967, float f0x3AB743CE)
  %483 = tail call float @llvm.fma.f32(float %468, float f0x39506967, float f0x3AB743CE)
  %484 = tail call float @llvm.fma.f32(float %470, float f0x39506967, float f0x3AB743CE)
  %485 = tail call float @llvm.fma.f32(float %472, float f0x39506967, float f0x3AB743CE)
  %486 = tail call float @llvm.fma.f32(float %474, float f0x39506967, float f0x3AB743CE)
  %487 = tail call float @llvm.fma.f32(float %476, float f0x39506967, float f0x3AB743CE)
  %488 = tail call float @llvm.fma.f32(float %478, float f0x39506967, float f0x3AB743CE)
  %489 = tail call float @llvm.fma.f32(float %480, float f0x39506967, float f0x3AB743CE)
  %490 = tail call float @llvm.fma.f32(float %482, float %466, float f0x3C088908)
  %491 = tail call float @llvm.fma.f32(float %483, float %468, float f0x3C088908)
  %492 = tail call float @llvm.fma.f32(float %484, float %470, float f0x3C088908)
  %493 = tail call float @llvm.fma.f32(float %485, float %472, float f0x3C088908)
  %494 = tail call float @llvm.fma.f32(float %486, float %474, float f0x3C088908)
  %495 = tail call float @llvm.fma.f32(float %487, float %476, float f0x3C088908)
  %496 = tail call float @llvm.fma.f32(float %488, float %478, float f0x3C088908)
  %497 = tail call float @llvm.fma.f32(float %489, float %480, float f0x3C088908)
  %498 = tail call float @llvm.fma.f32(float %490, float %466, float f0x3D2AA9C1)
  %499 = tail call float @llvm.fma.f32(float %491, float %468, float f0x3D2AA9C1)
  %500 = tail call float @llvm.fma.f32(float %492, float %470, float f0x3D2AA9C1)
  %501 = tail call float @llvm.fma.f32(float %493, float %472, float f0x3D2AA9C1)
  %502 = tail call float @llvm.fma.f32(float %494, float %474, float f0x3D2AA9C1)
  %503 = tail call float @llvm.fma.f32(float %495, float %476, float f0x3D2AA9C1)
  %504 = tail call float @llvm.fma.f32(float %496, float %478, float f0x3D2AA9C1)
  %505 = tail call float @llvm.fma.f32(float %497, float %480, float f0x3D2AA9C1)
  %506 = tail call float @llvm.fma.f32(float %498, float %466, float f0x3E2AAAAA)
  %507 = tail call float @llvm.fma.f32(float %499, float %468, float f0x3E2AAAAA)
  %508 = tail call float @llvm.fma.f32(float %500, float %470, float f0x3E2AAAAA)
  %509 = tail call float @llvm.fma.f32(float %501, float %472, float f0x3E2AAAAA)
  %510 = tail call float @llvm.fma.f32(float %502, float %474, float f0x3E2AAAAA)
  %511 = tail call float @llvm.fma.f32(float %503, float %476, float f0x3E2AAAAA)
  %512 = tail call float @llvm.fma.f32(float %504, float %478, float f0x3E2AAAAA)
  %513 = tail call float @llvm.fma.f32(float %505, float %480, float f0x3E2AAAAA)
  %514 = tail call float @llvm.fma.f32(float %506, float %466, float 5.000000e-01)
  %515 = tail call float @llvm.fma.f32(float %507, float %468, float 5.000000e-01)
  %516 = tail call float @llvm.fma.f32(float %508, float %470, float 5.000000e-01)
  %517 = tail call float @llvm.fma.f32(float %509, float %472, float 5.000000e-01)
  %518 = tail call float @llvm.fma.f32(float %510, float %474, float 5.000000e-01)
  %519 = tail call float @llvm.fma.f32(float %511, float %476, float 5.000000e-01)
  %520 = tail call float @llvm.fma.f32(float %512, float %478, float 5.000000e-01)
  %521 = tail call float @llvm.fma.f32(float %513, float %480, float 5.000000e-01)
  %522 = fmul <8 x float> %481, %481
  %523 = extractelement <8 x float> %522, i64 0
  %524 = tail call float @llvm.fma.f32(float %514, float %523, float %466)
  %525 = insertelement <8 x float> poison, float %524, i64 0
  %526 = extractelement <8 x float> %522, i64 1
  %527 = tail call float @llvm.fma.f32(float %515, float %526, float %468)
  %528 = insertelement <8 x float> %525, float %527, i64 1
  %529 = extractelement <8 x float> %522, i64 2
  %530 = tail call float @llvm.fma.f32(float %516, float %529, float %470)
  %531 = insertelement <8 x float> %528, float %530, i64 2
  %532 = extractelement <8 x float> %522, i64 3
  %533 = tail call float @llvm.fma.f32(float %517, float %532, float %472)
  %534 = insertelement <8 x float> %531, float %533, i64 3
  %535 = extractelement <8 x float> %522, i64 4
  %536 = tail call float @llvm.fma.f32(float %518, float %535, float %474)
  %537 = insertelement <8 x float> %534, float %536, i64 4
  %538 = extractelement <8 x float> %522, i64 5
  %539 = tail call float @llvm.fma.f32(float %519, float %538, float %476)
  %540 = insertelement <8 x float> %537, float %539, i64 5
  %541 = extractelement <8 x float> %522, i64 6
  %542 = tail call float @llvm.fma.f32(float %520, float %541, float %478)
  %543 = insertelement <8 x float> %540, float %542, i64 6
  %544 = extractelement <8 x float> %522, i64 7
  %545 = tail call float @llvm.fma.f32(float %521, float %544, float %480)
  %546 = insertelement <8 x float> %543, float %545, i64 7
  %547 = fadd <8 x float> %546, splat (float 1.000000e+00)
  %548 = fptosi <8 x float> %449 to <8 x i32>
  %549 = shl <8 x i32> %548, splat (i32 23)
  %550 = add <8 x i32> %549, splat (i32 1065353216)
  %551 = bitcast <8 x i32> %550 to <8 x float>
  %552 = fmul <8 x float> %547, %551
  %553 = fdiv <8 x float> %552, %395
  %.inv9 = fcmp ord <8 x float> %553, zeroinitializer
  %554 = select <8 x i1> %.inv9, <8 x float> %553, <8 x float> zeroinitializer
  %555 = getelementptr [4 x i8], ptr addrspace(1) %2, i64 %404
  tail call void @llvm.masked.store.v8f32.p1(<8 x float> %554, ptr addrspace(1) align 4 %555, <8 x i1> %402)
  %556 = add nuw nsw i64 %397, 8192
  %557 = icmp samesign ult i64 %556, %37
  br i1 %557, label %396, label %._crit_edge21

._crit_edge21:                                    ; preds = %396, %366
  %558 = add i64 %82, %53
  %559 = icmp slt i64 %558, %49
  br i1 %559, label %81, label %._crit_edge24

._crit_edge24:                                    ; preds = %._crit_edge21, %17
  ret void
}