Hyperbolic tangent

Percentage Accurate: 9.0% → 97.8%

Time: 6.3s

Alternatives: 7

Speedup: 409.0×

Specification

Math

\[\begin{array}{l} \\ \begin{array}{l} t_0 := e^{-x}\\ \frac{e^{x} - t_0}{e^{x} + t_0} \end{array} \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (let* ((t_0 (exp (- x)))) (/ (- (exp x) t_0) (+ (exp x) t_0))))

C

double code(double x) {
	double t_0 = exp(-x);
	return (exp(x) - t_0) / (exp(x) + t_0);
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    real(8) :: t_0
    t_0 = exp(-x)
    code = (exp(x) - t_0) / (exp(x) + t_0)
end function

Java

public static double code(double x) {
	double t_0 = Math.exp(-x);
	return (Math.exp(x) - t_0) / (Math.exp(x) + t_0);
}

Python

def code(x):
	t_0 = math.exp(-x)
	return (math.exp(x) - t_0) / (math.exp(x) + t_0)

Julia

function code(x)
	t_0 = exp(Float64(-x))
	return Float64(Float64(exp(x) - t_0) / Float64(exp(x) + t_0))
end

MATLAB

function tmp = code(x)
	t_0 = exp(-x);
	tmp = (exp(x) - t_0) / (exp(x) + t_0);
end

Wolfram

code[x_] := Block[{t$95$0 = N[Exp[(-x)], $MachinePrecision]}, N[(N[(N[Exp[x], $MachinePrecision] - t$95$0), $MachinePrecision] / N[(N[Exp[x], $MachinePrecision] + t$95$0), $MachinePrecision]), $MachinePrecision]]

Initial Program: 9.0% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_0 := e^{-x}\\ \frac{e^{x} - t_0}{e^{x} + t_0} \end{array} \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (let* ((t_0 (exp (- x)))) (/ (- (exp x) t_0) (+ (exp x) t_0))))

C

double code(double x) {
	double t_0 = exp(-x);
	return (exp(x) - t_0) / (exp(x) + t_0);
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    real(8) :: t_0
    t_0 = exp(-x)
    code = (exp(x) - t_0) / (exp(x) + t_0)
end function

Java

public static double code(double x) {
	double t_0 = Math.exp(-x);
	return (Math.exp(x) - t_0) / (Math.exp(x) + t_0);
}

Python

def code(x):
	t_0 = math.exp(-x)
	return (math.exp(x) - t_0) / (math.exp(x) + t_0)

Julia

function code(x)
	t_0 = exp(Float64(-x))
	return Float64(Float64(exp(x) - t_0) / Float64(exp(x) + t_0))
end

MATLAB

function tmp = code(x)
	t_0 = exp(-x);
	tmp = (exp(x) - t_0) / (exp(x) + t_0);
end

Wolfram

code[x_] := Block[{t$95$0 = N[Exp[(-x)], $MachinePrecision]}, N[(N[(N[Exp[x], $MachinePrecision] - t$95$0), $MachinePrecision] / N[(N[Exp[x], $MachinePrecision] + t$95$0), $MachinePrecision]), $MachinePrecision]]

Alternative 1: 97.8% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_0 := e^{-x}\\ \mathbf{if}\;x \leq 0.01:\\ \;\;\;\;\frac{x \cdot 2 + \left(0.3333333333333333 \cdot {x}^{3} + 0.016666666666666666 \cdot {x}^{5}\right)}{2 + \left(x \cdot x + 0.08333333333333333 \cdot {x}^{4}\right)}\\ \mathbf{else}:\\ \;\;\;\;\frac{e^{x} - t_0}{e^{x} + t_0}\\ \end{array} \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (let* ((t_0 (exp (- x))))
   (if (<= x 0.01)
     (/
      (+
       (* x 2.0)
       (+
        (* 0.3333333333333333 (pow x 3.0))
        (* 0.016666666666666666 (pow x 5.0))))
      (+ 2.0 (+ (* x x) (* 0.08333333333333333 (pow x 4.0)))))
     (/ (- (exp x) t_0) (+ (exp x) t_0)))))

C

double code(double x) {
	double t_0 = exp(-x);
	double tmp;
	if (x <= 0.01) {
		tmp = ((x * 2.0) + ((0.3333333333333333 * pow(x, 3.0)) + (0.016666666666666666 * pow(x, 5.0)))) / (2.0 + ((x * x) + (0.08333333333333333 * pow(x, 4.0))));
	} else {
		tmp = (exp(x) - t_0) / (exp(x) + t_0);
	}
	return tmp;
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    real(8) :: t_0
    real(8) :: tmp
    t_0 = exp(-x)
    if (x <= 0.01d0) then
        tmp = ((x * 2.0d0) + ((0.3333333333333333d0 * (x ** 3.0d0)) + (0.016666666666666666d0 * (x ** 5.0d0)))) / (2.0d0 + ((x * x) + (0.08333333333333333d0 * (x ** 4.0d0))))
    else
        tmp = (exp(x) - t_0) / (exp(x) + t_0)
    end if
    code = tmp
end function

Java

public static double code(double x) {
	double t_0 = Math.exp(-x);
	double tmp;
	if (x <= 0.01) {
		tmp = ((x * 2.0) + ((0.3333333333333333 * Math.pow(x, 3.0)) + (0.016666666666666666 * Math.pow(x, 5.0)))) / (2.0 + ((x * x) + (0.08333333333333333 * Math.pow(x, 4.0))));
	} else {
		tmp = (Math.exp(x) - t_0) / (Math.exp(x) + t_0);
	}
	return tmp;
}

Python

def code(x):
	t_0 = math.exp(-x)
	tmp = 0
	if x <= 0.01:
		tmp = ((x * 2.0) + ((0.3333333333333333 * math.pow(x, 3.0)) + (0.016666666666666666 * math.pow(x, 5.0)))) / (2.0 + ((x * x) + (0.08333333333333333 * math.pow(x, 4.0))))
	else:
		tmp = (math.exp(x) - t_0) / (math.exp(x) + t_0)
	return tmp

Julia

function code(x)
	t_0 = exp(Float64(-x))
	tmp = 0.0
	if (x <= 0.01)
		tmp = Float64(Float64(Float64(x * 2.0) + Float64(Float64(0.3333333333333333 * (x ^ 3.0)) + Float64(0.016666666666666666 * (x ^ 5.0)))) / Float64(2.0 + Float64(Float64(x * x) + Float64(0.08333333333333333 * (x ^ 4.0)))));
	else
		tmp = Float64(Float64(exp(x) - t_0) / Float64(exp(x) + t_0));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x)
	t_0 = exp(-x);
	tmp = 0.0;
	if (x <= 0.01)
		tmp = ((x * 2.0) + ((0.3333333333333333 * (x ^ 3.0)) + (0.016666666666666666 * (x ^ 5.0)))) / (2.0 + ((x * x) + (0.08333333333333333 * (x ^ 4.0))));
	else
		tmp = (exp(x) - t_0) / (exp(x) + t_0);
	end
	tmp_2 = tmp;
end

Wolfram

code[x_] := Block[{t$95$0 = N[Exp[(-x)], $MachinePrecision]}, If[LessEqual[x, 0.01], N[(N[(N[(x * 2.0), $MachinePrecision] + N[(N[(0.3333333333333333 * N[Power[x, 3.0], $MachinePrecision]), $MachinePrecision] + N[(0.016666666666666666 * N[Power[x, 5.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] / N[(2.0 + N[(N[(x * x), $MachinePrecision] + N[(0.08333333333333333 * N[Power[x, 4.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(N[(N[Exp[x], $MachinePrecision] - t$95$0), $MachinePrecision] / N[(N[Exp[x], $MachinePrecision] + t$95$0), $MachinePrecision]), $MachinePrecision]]]

Derivation

1. Split input into 2 regimes

2. if x < 0.0100000000000000002

   1. Initial program 7.4%

      \[\frac{e^{x} - e^{-x}}{e^{x} + e^{-x}} \]

   2. Taylor expanded in x around 0 7.5%

      \[\leadsto \frac{e^{x} - e^{-x}}{\color{blue}{2 + \left({x}^{2} + 0.08333333333333333 \cdot {x}^{4}\right)}} \]
   3. Step-by-step derivation

      1. unpow2 7.5%

         \[\leadsto \frac{e^{x} - e^{-x}}{2 + \left(\color{blue}{x \cdot x} + 0.08333333333333333 \cdot {x}^{4}\right)} \]

   4. Simplified 7.5%

      \[\leadsto \frac{e^{x} - e^{-x}}{\color{blue}{2 + \left(x \cdot x + 0.08333333333333333 \cdot {x}^{4}\right)}} \]

   5. Taylor expanded in x around 0 99.6%

      \[\leadsto \frac{\color{blue}{2 \cdot x + \left(0.3333333333333333 \cdot {x}^{3} + 0.016666666666666666 \cdot {x}^{5}\right)}}{2 + \left(x \cdot x + 0.08333333333333333 \cdot {x}^{4}\right)} \]

   if 0.0100000000000000002 < x

   1. Initial program 71.4%

      \[\frac{e^{x} - e^{-x}}{e^{x} + e^{-x}} \]
3. Recombined 2 regimes into one program.

4. Final simplification 98.9%

   \[\leadsto \begin{array}{l} \mathbf{if}\;x \leq 0.01:\\ \;\;\;\;\frac{x \cdot 2 + \left(0.3333333333333333 \cdot {x}^{3} + 0.016666666666666666 \cdot {x}^{5}\right)}{2 + \left(x \cdot x + 0.08333333333333333 \cdot {x}^{4}\right)}\\ \mathbf{else}:\\ \;\;\;\;\frac{e^{x} - e^{-x}}{e^{x} + e^{-x}}\\ \end{array} \]

Alternative 2: 97.4% accurate, 1.3× speedup

Math

\[\begin{array}{l} \\ \frac{x \cdot 2 + \left(0.3333333333333333 \cdot {x}^{3} + 0.016666666666666666 \cdot {x}^{5}\right)}{2 + \left(x \cdot x + 0.08333333333333333 \cdot {x}^{4}\right)} \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (/
  (+
   (* x 2.0)
   (+ (* 0.3333333333333333 (pow x 3.0)) (* 0.016666666666666666 (pow x 5.0))))
  (+ 2.0 (+ (* x x) (* 0.08333333333333333 (pow x 4.0))))))

C

double code(double x) {
	return ((x * 2.0) + ((0.3333333333333333 * pow(x, 3.0)) + (0.016666666666666666 * pow(x, 5.0)))) / (2.0 + ((x * x) + (0.08333333333333333 * pow(x, 4.0))));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = ((x * 2.0d0) + ((0.3333333333333333d0 * (x ** 3.0d0)) + (0.016666666666666666d0 * (x ** 5.0d0)))) / (2.0d0 + ((x * x) + (0.08333333333333333d0 * (x ** 4.0d0))))
end function

Java

public static double code(double x) {
	return ((x * 2.0) + ((0.3333333333333333 * Math.pow(x, 3.0)) + (0.016666666666666666 * Math.pow(x, 5.0)))) / (2.0 + ((x * x) + (0.08333333333333333 * Math.pow(x, 4.0))));
}

Python

def code(x):
	return ((x * 2.0) + ((0.3333333333333333 * math.pow(x, 3.0)) + (0.016666666666666666 * math.pow(x, 5.0)))) / (2.0 + ((x * x) + (0.08333333333333333 * math.pow(x, 4.0))))

Julia

function code(x)
	return Float64(Float64(Float64(x * 2.0) + Float64(Float64(0.3333333333333333 * (x ^ 3.0)) + Float64(0.016666666666666666 * (x ^ 5.0)))) / Float64(2.0 + Float64(Float64(x * x) + Float64(0.08333333333333333 * (x ^ 4.0)))))
end

MATLAB

function tmp = code(x)
	tmp = ((x * 2.0) + ((0.3333333333333333 * (x ^ 3.0)) + (0.016666666666666666 * (x ^ 5.0)))) / (2.0 + ((x * x) + (0.08333333333333333 * (x ^ 4.0))));
end

Wolfram

code[x_] := N[(N[(N[(x * 2.0), $MachinePrecision] + N[(N[(0.3333333333333333 * N[Power[x, 3.0], $MachinePrecision]), $MachinePrecision] + N[(0.016666666666666666 * N[Power[x, 5.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] / N[(2.0 + N[(N[(x * x), $MachinePrecision] + N[(0.08333333333333333 * N[Power[x, 4.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 9.2%

   \[\frac{e^{x} - e^{-x}}{e^{x} + e^{-x}} \]

2. Taylor expanded in x around 0 7.4%

   \[\leadsto \frac{e^{x} - e^{-x}}{\color{blue}{2 + \left({x}^{2} + 0.08333333333333333 \cdot {x}^{4}\right)}} \]
3. Step-by-step derivation

   1. unpow2 7.4%

      \[\leadsto \frac{e^{x} - e^{-x}}{2 + \left(\color{blue}{x \cdot x} + 0.08333333333333333 \cdot {x}^{4}\right)} \]

4. Simplified 7.4%

   \[\leadsto \frac{e^{x} - e^{-x}}{\color{blue}{2 + \left(x \cdot x + 0.08333333333333333 \cdot {x}^{4}\right)}} \]

5. Taylor expanded in x around 0 97.3%

   \[\leadsto \frac{\color{blue}{2 \cdot x + \left(0.3333333333333333 \cdot {x}^{3} + 0.016666666666666666 \cdot {x}^{5}\right)}}{2 + \left(x \cdot x + 0.08333333333333333 \cdot {x}^{4}\right)} \]

6. Final simplification 97.3%

   \[\leadsto \frac{x \cdot 2 + \left(0.3333333333333333 \cdot {x}^{3} + 0.016666666666666666 \cdot {x}^{5}\right)}{2 + \left(x \cdot x + 0.08333333333333333 \cdot {x}^{4}\right)} \]

Alternative 3: 97.3% accurate, 1.9× speedup

Math

\[\begin{array}{l} \\ {x}^{3} \cdot -0.3333333333333333 + \left(x + {x}^{5} \cdot 0.13333333333333333\right) \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (+
  (* (pow x 3.0) -0.3333333333333333)
  (+ x (* (pow x 5.0) 0.13333333333333333))))

C

double code(double x) {
	return (pow(x, 3.0) * -0.3333333333333333) + (x + (pow(x, 5.0) * 0.13333333333333333));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = ((x ** 3.0d0) * (-0.3333333333333333d0)) + (x + ((x ** 5.0d0) * 0.13333333333333333d0))
end function

Java

public static double code(double x) {
	return (Math.pow(x, 3.0) * -0.3333333333333333) + (x + (Math.pow(x, 5.0) * 0.13333333333333333));
}

Python

def code(x):
	return (math.pow(x, 3.0) * -0.3333333333333333) + (x + (math.pow(x, 5.0) * 0.13333333333333333))

Julia

function code(x)
	return Float64(Float64((x ^ 3.0) * -0.3333333333333333) + Float64(x + Float64((x ^ 5.0) * 0.13333333333333333)))
end

MATLAB

function tmp = code(x)
	tmp = ((x ^ 3.0) * -0.3333333333333333) + (x + ((x ^ 5.0) * 0.13333333333333333));
end

Wolfram

code[x_] := N[(N[(N[Power[x, 3.0], $MachinePrecision] * -0.3333333333333333), $MachinePrecision] + N[(x + N[(N[Power[x, 5.0], $MachinePrecision] * 0.13333333333333333), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 9.2%

   \[\frac{e^{x} - e^{-x}}{e^{x} + e^{-x}} \]

2. Taylor expanded in x around 0 97.2%

   \[\leadsto \color{blue}{-0.3333333333333333 \cdot {x}^{3} + \left(0.13333333333333333 \cdot {x}^{5} + x\right)} \]

3. Final simplification 97.2%

   \[\leadsto {x}^{3} \cdot -0.3333333333333333 + \left(x + {x}^{5} \cdot 0.13333333333333333\right) \]

Alternative 4: 97.2% accurate, 3.6× speedup

Math

\[\begin{array}{l} \\ \frac{x \cdot 2 + 0.3333333333333333 \cdot {x}^{3}}{2 + x \cdot x} \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (/ (+ (* x 2.0) (* 0.3333333333333333 (pow x 3.0))) (+ 2.0 (* x x))))

C

double code(double x) {
	return ((x * 2.0) + (0.3333333333333333 * pow(x, 3.0))) / (2.0 + (x * x));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = ((x * 2.0d0) + (0.3333333333333333d0 * (x ** 3.0d0))) / (2.0d0 + (x * x))
end function

Java

public static double code(double x) {
	return ((x * 2.0) + (0.3333333333333333 * Math.pow(x, 3.0))) / (2.0 + (x * x));
}

Python

def code(x):
	return ((x * 2.0) + (0.3333333333333333 * math.pow(x, 3.0))) / (2.0 + (x * x))

Julia

function code(x)
	return Float64(Float64(Float64(x * 2.0) + Float64(0.3333333333333333 * (x ^ 3.0))) / Float64(2.0 + Float64(x * x)))
end

MATLAB

function tmp = code(x)
	tmp = ((x * 2.0) + (0.3333333333333333 * (x ^ 3.0))) / (2.0 + (x * x));
end

Wolfram

code[x_] := N[(N[(N[(x * 2.0), $MachinePrecision] + N[(0.3333333333333333 * N[Power[x, 3.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision] / N[(2.0 + N[(x * x), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 9.2%

   \[\frac{e^{x} - e^{-x}}{e^{x} + e^{-x}} \]

2. Taylor expanded in x around 0 7.3%

   \[\leadsto \frac{e^{x} - e^{-x}}{\color{blue}{2 + {x}^{2}}} \]
3. Step-by-step derivation

   1. unpow2 7.3%

      \[\leadsto \frac{e^{x} - e^{-x}}{2 + \color{blue}{x \cdot x}} \]

4. Simplified 7.3%

   \[\leadsto \frac{e^{x} - e^{-x}}{\color{blue}{2 + x \cdot x}} \]

5. Taylor expanded in x around 0 97.1%

   \[\leadsto \frac{\color{blue}{2 \cdot x + 0.3333333333333333 \cdot {x}^{3}}}{2 + x \cdot x} \]

6. Final simplification 97.1%

   \[\leadsto \frac{x \cdot 2 + 0.3333333333333333 \cdot {x}^{3}}{2 + x \cdot x} \]

Alternative 5: 96.9% accurate, 37.2× speedup

Math

\[\begin{array}{l} \\ \frac{2}{x \cdot 0.6666666666666666 + 2 \cdot \frac{1}{x}} \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (/ 2.0 (+ (* x 0.6666666666666666) (* 2.0 (/ 1.0 x)))))

C

double code(double x) {
	return 2.0 / ((x * 0.6666666666666666) + (2.0 * (1.0 / x)));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = 2.0d0 / ((x * 0.6666666666666666d0) + (2.0d0 * (1.0d0 / x)))
end function

Java

public static double code(double x) {
	return 2.0 / ((x * 0.6666666666666666) + (2.0 * (1.0 / x)));
}

Python

def code(x):
	return 2.0 / ((x * 0.6666666666666666) + (2.0 * (1.0 / x)))

Julia

function code(x)
	return Float64(2.0 / Float64(Float64(x * 0.6666666666666666) + Float64(2.0 * Float64(1.0 / x))))
end

MATLAB

function tmp = code(x)
	tmp = 2.0 / ((x * 0.6666666666666666) + (2.0 * (1.0 / x)));
end

Wolfram

code[x_] := N[(2.0 / N[(N[(x * 0.6666666666666666), $MachinePrecision] + N[(2.0 * N[(1.0 / x), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 9.2%

   \[\frac{e^{x} - e^{-x}}{e^{x} + e^{-x}} \]

2. Taylor expanded in x around 0 7.4%

   \[\leadsto \frac{e^{x} - e^{-x}}{\color{blue}{2 + \left({x}^{2} + 0.08333333333333333 \cdot {x}^{4}\right)}} \]
3. Step-by-step derivation

   1. unpow2 7.4%

      \[\leadsto \frac{e^{x} - e^{-x}}{2 + \left(\color{blue}{x \cdot x} + 0.08333333333333333 \cdot {x}^{4}\right)} \]

4. Simplified 7.4%

   \[\leadsto \frac{e^{x} - e^{-x}}{\color{blue}{2 + \left(x \cdot x + 0.08333333333333333 \cdot {x}^{4}\right)}} \]
5. Step-by-step derivation

   1. expm1-log1p-u 7.4%

      \[\leadsto \color{blue}{\mathsf{expm1}\left(\mathsf{log1p}\left(\frac{e^{x} - e^{-x}}{2 + \left(x \cdot x + 0.08333333333333333 \cdot {x}^{4}\right)}\right)\right)} \]

   2. expm1-udef 7.3%

      \[\leadsto \color{blue}{e^{\mathsf{log1p}\left(\frac{e^{x} - e^{-x}}{2 + \left(x \cdot x + 0.08333333333333333 \cdot {x}^{4}\right)}\right)} - 1} \]

   3. sinh-undef 7.3%

      \[\leadsto e^{\mathsf{log1p}\left(\frac{\color{blue}{2 \cdot \sinh x}}{2 + \left(x \cdot x + 0.08333333333333333 \cdot {x}^{4}\right)}\right)} - 1 \]

   4. fma-def 7.3%

      \[\leadsto e^{\mathsf{log1p}\left(\frac{2 \cdot \sinh x}{2 + \color{blue}{\mathsf{fma}\left(x, x, 0.08333333333333333 \cdot {x}^{4}\right)}}\right)} - 1 \]

6. Applied egg-rr 7.3%

   \[\leadsto \color{blue}{e^{\mathsf{log1p}\left(\frac{2 \cdot \sinh x}{2 + \mathsf{fma}\left(x, x, 0.08333333333333333 \cdot {x}^{4}\right)}\right)} - 1} \]
7. Step-by-step derivation

   1. expm1-def 97.0%

      \[\leadsto \color{blue}{\mathsf{expm1}\left(\mathsf{log1p}\left(\frac{2 \cdot \sinh x}{2 + \mathsf{fma}\left(x, x, 0.08333333333333333 \cdot {x}^{4}\right)}\right)\right)} \]

   2. expm1-log1p 97.0%

      \[\leadsto \color{blue}{\frac{2 \cdot \sinh x}{2 + \mathsf{fma}\left(x, x, 0.08333333333333333 \cdot {x}^{4}\right)}} \]

   3. associate-/l* 96.8%

      \[\leadsto \color{blue}{\frac{2}{\frac{2 + \mathsf{fma}\left(x, x, 0.08333333333333333 \cdot {x}^{4}\right)}{\sinh x}}} \]

   4. fma-udef 96.8%

      \[\leadsto \frac{2}{\frac{2 + \color{blue}{\left(x \cdot x + 0.08333333333333333 \cdot {x}^{4}\right)}}{\sinh x}} \]

   5. +-commutative 96.8%

      \[\leadsto \frac{2}{\frac{2 + \color{blue}{\left(0.08333333333333333 \cdot {x}^{4} + x \cdot x\right)}}{\sinh x}} \]

   6. *-commutative 96.8%

      \[\leadsto \frac{2}{\frac{2 + \left(\color{blue}{{x}^{4} \cdot 0.08333333333333333} + x \cdot x\right)}{\sinh x}} \]

   7. fma-udef 96.8%

      \[\leadsto \frac{2}{\frac{2 + \color{blue}{\mathsf{fma}\left({x}^{4}, 0.08333333333333333, x \cdot x\right)}}{\sinh x}} \]

8. Simplified 96.8%

   \[\leadsto \color{blue}{\frac{2}{\frac{2 + \mathsf{fma}\left({x}^{4}, 0.08333333333333333, x \cdot x\right)}{\sinh x}}} \]

9. Taylor expanded in x around 0 96.9%

   \[\leadsto \frac{2}{\color{blue}{0.6666666666666666 \cdot x + 2 \cdot \frac{1}{x}}} \]

10. Final simplification 96.9%

    \[\leadsto \frac{2}{x \cdot 0.6666666666666666 + 2 \cdot \frac{1}{x}} \]

Alternative 6: 96.8% accurate, 45.4× speedup

Math

\[\begin{array}{l} \\ \frac{x + x}{2 + x \cdot x} \end{array} \]

FPCore

(FPCore (x) :precision binary64 (/ (+ x x) (+ 2.0 (* x x))))

C

double code(double x) {
	return (x + x) / (2.0 + (x * x));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = (x + x) / (2.0d0 + (x * x))
end function

Java

public static double code(double x) {
	return (x + x) / (2.0 + (x * x));
}

Python

def code(x):
	return (x + x) / (2.0 + (x * x))

Julia

function code(x)
	return Float64(Float64(x + x) / Float64(2.0 + Float64(x * x)))
end

MATLAB

function tmp = code(x)
	tmp = (x + x) / (2.0 + (x * x));
end

Wolfram

code[x_] := N[(N[(x + x), $MachinePrecision] / N[(2.0 + N[(x * x), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 9.2%

   \[\frac{e^{x} - e^{-x}}{e^{x} + e^{-x}} \]

2. Taylor expanded in x around 0 7.3%

   \[\leadsto \frac{e^{x} - e^{-x}}{\color{blue}{2 + {x}^{2}}} \]
3. Step-by-step derivation

   1. unpow2 7.3%

      \[\leadsto \frac{e^{x} - e^{-x}}{2 + \color{blue}{x \cdot x}} \]

4. Simplified 7.3%

   \[\leadsto \frac{e^{x} - e^{-x}}{\color{blue}{2 + x \cdot x}} \]

5. Taylor expanded in x around 0 96.8%

   \[\leadsto \frac{\color{blue}{2 \cdot x}}{2 + x \cdot x} \]
6. Step-by-step derivation

   1. count-2 96.8%

      \[\leadsto \frac{\color{blue}{x + x}}{2 + x \cdot x} \]

7. Simplified 96.8%

   \[\leadsto \frac{\color{blue}{x + x}}{2 + x \cdot x} \]

8. Final simplification 96.8%

   \[\leadsto \frac{x + x}{2 + x \cdot x} \]

Alternative 7: 96.7% accurate, 409.0× speedup

Math

\[\begin{array}{l} \\ x \end{array} \]

FPCore

(FPCore (x) :precision binary64 x)

C

double code(double x) {
	return x;
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = x
end function

Java

public static double code(double x) {
	return x;
}

Python

def code(x):
	return x

Julia

function code(x)
	return x
end

MATLAB

function tmp = code(x)
	tmp = x;
end

Wolfram

code[x_] := x

Derivation

1. Initial program 9.2%

   \[\frac{e^{x} - e^{-x}}{e^{x} + e^{-x}} \]

2. Taylor expanded in x around 0 96.7%

   \[\leadsto \color{blue}{x} \]

3. Final simplification 96.7%

   \[\leadsto x \]

Reproduce

herbie shell --seed 2023213 
(FPCore (x)
  :name "Hyperbolic tangent"
  :precision binary64
  (/ (- (exp x) (exp (- x))) (+ (exp x) (exp (- x)))))