Hyperbolic tangent

Percentage Accurate: 9.0% → 97.4%

Time: 8.3s

Alternatives: 4

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: 97.4% accurate, 1.9× speedup

Math

\[\begin{array}{l} \\ x + {x}^{3} \cdot \left(0.13333333333333333 \cdot {x}^{2} - 0.3333333333333333\right) \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (+
  x
  (* (pow x 3.0) (- (* 0.13333333333333333 (pow x 2.0)) 0.3333333333333333))))

C

double code(double x) {
	return x + (pow(x, 3.0) * ((0.13333333333333333 * pow(x, 2.0)) - 0.3333333333333333));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = x + ((x ** 3.0d0) * ((0.13333333333333333d0 * (x ** 2.0d0)) - 0.3333333333333333d0))
end function

Java

public static double code(double x) {
	return x + (Math.pow(x, 3.0) * ((0.13333333333333333 * Math.pow(x, 2.0)) - 0.3333333333333333));
}

Python

def code(x):
	return x + (math.pow(x, 3.0) * ((0.13333333333333333 * math.pow(x, 2.0)) - 0.3333333333333333))

Julia

function code(x)
	return Float64(x + Float64((x ^ 3.0) * Float64(Float64(0.13333333333333333 * (x ^ 2.0)) - 0.3333333333333333)))
end

MATLAB

function tmp = code(x)
	tmp = x + ((x ^ 3.0) * ((0.13333333333333333 * (x ^ 2.0)) - 0.3333333333333333));
end

Wolfram

code[x_] := N[(x + N[(N[Power[x, 3.0], $MachinePrecision] * N[(N[(0.13333333333333333 * N[Power[x, 2.0], $MachinePrecision]), $MachinePrecision] - 0.3333333333333333), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 10.1%

   \[\frac{e^{x} - e^{-x}}{e^{x} + e^{-x}} \]
2. Add Preprocessing

3. Taylor expanded in x around 0 97.0%

   \[\leadsto \color{blue}{x \cdot \left(1 + {x}^{2} \cdot \left(0.13333333333333333 \cdot {x}^{2} - 0.3333333333333333\right)\right)} \]
4. Step-by-step derivation

   1. unpow2 97.0%

      \[\leadsto x \cdot \left(1 + {x}^{2} \cdot \left(0.13333333333333333 \cdot \color{blue}{\left(x \cdot x\right)} - 0.3333333333333333\right)\right) \]

   2. associate-*r* 97.0%

      \[\leadsto x \cdot \left(1 + {x}^{2} \cdot \left(\color{blue}{\left(0.13333333333333333 \cdot x\right) \cdot x} - 0.3333333333333333\right)\right) \]

   3. fma-neg 97.0%

      \[\leadsto x \cdot \left(1 + {x}^{2} \cdot \color{blue}{\mathsf{fma}\left(0.13333333333333333 \cdot x, x, -0.3333333333333333\right)}\right) \]

   4. metadata-eval 97.0%

      \[\leadsto x \cdot \left(1 + {x}^{2} \cdot \mathsf{fma}\left(0.13333333333333333 \cdot x, x, \color{blue}{-0.3333333333333333}\right)\right) \]

5. Applied egg-rr 97.0%

   \[\leadsto x \cdot \left(1 + {x}^{2} \cdot \color{blue}{\mathsf{fma}\left(0.13333333333333333 \cdot x, x, -0.3333333333333333\right)}\right) \]
6. Step-by-step derivation

   1. distribute-rgt-in 97.0%

      \[\leadsto \color{blue}{1 \cdot x + \left({x}^{2} \cdot \mathsf{fma}\left(0.13333333333333333 \cdot x, x, -0.3333333333333333\right)\right) \cdot x} \]

   2. *-un-lft-identity 97.0%

      \[\leadsto \color{blue}{x} + \left({x}^{2} \cdot \mathsf{fma}\left(0.13333333333333333 \cdot x, x, -0.3333333333333333\right)\right) \cdot x \]

   3. *-commutative 97.0%

      \[\leadsto x + \left({x}^{2} \cdot \mathsf{fma}\left(\color{blue}{x \cdot 0.13333333333333333}, x, -0.3333333333333333\right)\right) \cdot x \]

7. Applied egg-rr 97.0%

   \[\leadsto \color{blue}{x + \left({x}^{2} \cdot \mathsf{fma}\left(x \cdot 0.13333333333333333, x, -0.3333333333333333\right)\right) \cdot x} \]

8. Taylor expanded in x around 0 97.0%

   \[\leadsto x + \color{blue}{{x}^{3} \cdot \left(0.13333333333333333 \cdot {x}^{2} - 0.3333333333333333\right)} \]

9. Final simplification 97.0%

   \[\leadsto x + {x}^{3} \cdot \left(0.13333333333333333 \cdot {x}^{2} - 0.3333333333333333\right) \]
10. Add Preprocessing

Alternative 2: 97.4% accurate, 3.6× speedup

Math

\[\begin{array}{l} \\ x \cdot \left(1 + {x}^{2} \cdot \left(x \cdot \left(x \cdot 0.13333333333333333\right) + -0.3333333333333333\right)\right) \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (*
  x
  (+
   1.0
   (* (pow x 2.0) (+ (* x (* x 0.13333333333333333)) -0.3333333333333333)))))

C

double code(double x) {
	return x * (1.0 + (pow(x, 2.0) * ((x * (x * 0.13333333333333333)) + -0.3333333333333333)));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = x * (1.0d0 + ((x ** 2.0d0) * ((x * (x * 0.13333333333333333d0)) + (-0.3333333333333333d0))))
end function

Java

public static double code(double x) {
	return x * (1.0 + (Math.pow(x, 2.0) * ((x * (x * 0.13333333333333333)) + -0.3333333333333333)));
}

Python

def code(x):
	return x * (1.0 + (math.pow(x, 2.0) * ((x * (x * 0.13333333333333333)) + -0.3333333333333333)))

Julia

function code(x)
	return Float64(x * Float64(1.0 + Float64((x ^ 2.0) * Float64(Float64(x * Float64(x * 0.13333333333333333)) + -0.3333333333333333))))
end

MATLAB

function tmp = code(x)
	tmp = x * (1.0 + ((x ^ 2.0) * ((x * (x * 0.13333333333333333)) + -0.3333333333333333)));
end

Wolfram

code[x_] := N[(x * N[(1.0 + N[(N[Power[x, 2.0], $MachinePrecision] * N[(N[(x * N[(x * 0.13333333333333333), $MachinePrecision]), $MachinePrecision] + -0.3333333333333333), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 10.1%

   \[\frac{e^{x} - e^{-x}}{e^{x} + e^{-x}} \]
2. Add Preprocessing

3. Taylor expanded in x around 0 97.0%

   \[\leadsto \color{blue}{x \cdot \left(1 + {x}^{2} \cdot \left(0.13333333333333333 \cdot {x}^{2} - 0.3333333333333333\right)\right)} \]
4. Step-by-step derivation

   1. unpow2 97.0%

      \[\leadsto x \cdot \left(1 + {x}^{2} \cdot \left(0.13333333333333333 \cdot \color{blue}{\left(x \cdot x\right)} - 0.3333333333333333\right)\right) \]

   2. associate-*r* 97.0%

      \[\leadsto x \cdot \left(1 + {x}^{2} \cdot \left(\color{blue}{\left(0.13333333333333333 \cdot x\right) \cdot x} - 0.3333333333333333\right)\right) \]

   3. fma-neg 97.0%

      \[\leadsto x \cdot \left(1 + {x}^{2} \cdot \color{blue}{\mathsf{fma}\left(0.13333333333333333 \cdot x, x, -0.3333333333333333\right)}\right) \]

   4. metadata-eval 97.0%

      \[\leadsto x \cdot \left(1 + {x}^{2} \cdot \mathsf{fma}\left(0.13333333333333333 \cdot x, x, \color{blue}{-0.3333333333333333}\right)\right) \]

5. Applied egg-rr 97.0%

   \[\leadsto x \cdot \left(1 + {x}^{2} \cdot \color{blue}{\mathsf{fma}\left(0.13333333333333333 \cdot x, x, -0.3333333333333333\right)}\right) \]
6. Step-by-step derivation

   1. fma-undefine 97.0%

      \[\leadsto x \cdot \left(1 + {x}^{2} \cdot \color{blue}{\left(\left(0.13333333333333333 \cdot x\right) \cdot x + -0.3333333333333333\right)}\right) \]

   2. *-commutative 97.0%

      \[\leadsto x \cdot \left(1 + {x}^{2} \cdot \left(\color{blue}{\left(x \cdot 0.13333333333333333\right)} \cdot x + -0.3333333333333333\right)\right) \]

7. Applied egg-rr 97.0%

   \[\leadsto x \cdot \left(1 + {x}^{2} \cdot \color{blue}{\left(\left(x \cdot 0.13333333333333333\right) \cdot x + -0.3333333333333333\right)}\right) \]

8. Final simplification 97.0%

   \[\leadsto x \cdot \left(1 + {x}^{2} \cdot \left(x \cdot \left(x \cdot 0.13333333333333333\right) + -0.3333333333333333\right)\right) \]
9. Add Preprocessing

Alternative 3: 97.0% accurate, 3.9× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Derivation

1. Initial program 10.1%

   \[\frac{e^{x} - e^{-x}}{e^{x} + e^{-x}} \]
2. Add Preprocessing

3. Taylor expanded in x around 0 96.6%

   \[\leadsto \color{blue}{x \cdot \left(1 + -0.3333333333333333 \cdot {x}^{2}\right)} \]
4. Step-by-step derivation

   1. *-commutative 96.6%

      \[\leadsto x \cdot \left(1 + \color{blue}{{x}^{2} \cdot -0.3333333333333333}\right) \]

5. Simplified 96.6%

   \[\leadsto \color{blue}{x \cdot \left(1 + {x}^{2} \cdot -0.3333333333333333\right)} \]
6. Step-by-step derivation

   1. +-commutative 96.6%

      \[\leadsto x \cdot \color{blue}{\left({x}^{2} \cdot -0.3333333333333333 + 1\right)} \]

   2. distribute-rgt-in 96.6%

      \[\leadsto \color{blue}{\left({x}^{2} \cdot -0.3333333333333333\right) \cdot x + 1 \cdot x} \]

   3. *-un-lft-identity 96.6%

      \[\leadsto \left({x}^{2} \cdot -0.3333333333333333\right) \cdot x + \color{blue}{x} \]

   4. *-commutative 96.6%

      \[\leadsto \color{blue}{\left(-0.3333333333333333 \cdot {x}^{2}\right)} \cdot x + x \]

   5. associate-*r* 96.6%

      \[\leadsto \color{blue}{-0.3333333333333333 \cdot \left({x}^{2} \cdot x\right)} + x \]

   6. unpow2 96.6%

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

   7. unpow3 96.6%

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

7. Applied egg-rr 96.6%

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

8. Final simplification 96.6%

   \[\leadsto x + {x}^{3} \cdot -0.3333333333333333 \]
9. Add Preprocessing

Alternative 4: 96.8% 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 10.1%

   \[\frac{e^{x} - e^{-x}}{e^{x} + e^{-x}} \]
2. Add Preprocessing

3. Taylor expanded in x around 0 96.0%

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

4. Final simplification 96.0%

   \[\leadsto x \]
5. Add Preprocessing

Reproduce

herbie shell --seed 2024075 
(FPCore (x)
  :name "Hyperbolic tangent"
  :precision binary64
  (/ (- (exp x) (exp (- x))) (+ (exp x) (exp (- x)))))