Hyperbolic tangent

Percentage Accurate: 9.1% → 97.0%

Time: 7.3s

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: 9.1% 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: 97.0% accurate, 1.3× speedup

Math

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

FPCore

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

C

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

Julia

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

Wolfram

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

Derivation

1. Initial program 9.8%

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

3. Taylor expanded in x around 0 97.8%

   \[\leadsto \color{blue}{x \cdot \left(1 + {x}^{2} \cdot \left({x}^{2} \cdot \left(0.13333333333333333 + -0.05396825396825397 \cdot {x}^{2}\right) - 0.3333333333333333\right)\right)} \]
4. Step-by-step derivation

   1. *-commutative 97.8%

      \[\leadsto \color{blue}{\left(1 + {x}^{2} \cdot \left({x}^{2} \cdot \left(0.13333333333333333 + -0.05396825396825397 \cdot {x}^{2}\right) - 0.3333333333333333\right)\right) \cdot x} \]

   2. +-commutative 97.8%

      \[\leadsto \color{blue}{\left({x}^{2} \cdot \left({x}^{2} \cdot \left(0.13333333333333333 + -0.05396825396825397 \cdot {x}^{2}\right) - 0.3333333333333333\right) + 1\right)} \cdot x \]

   3. distribute-lft1-in 97.8%

      \[\leadsto \color{blue}{\left({x}^{2} \cdot \left({x}^{2} \cdot \left(0.13333333333333333 + -0.05396825396825397 \cdot {x}^{2}\right) - 0.3333333333333333\right)\right) \cdot x + x} \]

   4. *-commutative 97.8%

      \[\leadsto \color{blue}{\left(\left({x}^{2} \cdot \left(0.13333333333333333 + -0.05396825396825397 \cdot {x}^{2}\right) - 0.3333333333333333\right) \cdot {x}^{2}\right)} \cdot x + x \]

   5. associate-*l* 97.8%

      \[\leadsto \color{blue}{\left({x}^{2} \cdot \left(0.13333333333333333 + -0.05396825396825397 \cdot {x}^{2}\right) - 0.3333333333333333\right) \cdot \left({x}^{2} \cdot x\right)} + x \]

   6. fma-define 97.8%

      \[\leadsto \color{blue}{\mathsf{fma}\left({x}^{2} \cdot \left(0.13333333333333333 + -0.05396825396825397 \cdot {x}^{2}\right) - 0.3333333333333333, {x}^{2} \cdot x, x\right)} \]

5. Simplified 97.8%

   \[\leadsto \color{blue}{\mathsf{fma}\left(\mathsf{fma}\left({x}^{2}, 0.13333333333333333, \mathsf{fma}\left(-0.05396825396825397, {x}^{4}, -0.3333333333333333\right)\right), {x}^{3}, x\right)} \]

6. Taylor expanded in x around 0 97.8%

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

7. Final simplification 97.8%

   \[\leadsto \mathsf{fma}\left(0.13333333333333333 \cdot {x}^{2} - 0.3333333333333333, {x}^{3}, x\right) \]
8. Add Preprocessing

Alternative 2: 97.0% accurate, 1.9× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Derivation

1. Initial program 9.8%

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

3. Taylor expanded in x around 0 97.8%

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

4. Final simplification 97.8%

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

Alternative 3: 97.0% accurate, 1.9× speedup

Math

\[\begin{array}{l} \\ \frac{x \cdot \left(2 + {x}^{2} \cdot 0.3333333333333333\right)}{\mathsf{fma}\left(x, x, 2\right)} \end{array} \]

FPCore

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

C

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

Julia

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

Wolfram

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

Derivation

1. Initial program 9.8%

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

3. Taylor expanded in x around 0 97.7%

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

4. Taylor expanded in x around 0 97.8%

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

   1. +-commutative 97.8%

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

   2. unpow2 97.8%

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

   3. fma-define 97.8%

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

6. Simplified 97.8%

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

7. Final simplification 97.8%

   \[\leadsto \frac{x \cdot \left(2 + {x}^{2} \cdot 0.3333333333333333\right)}{\mathsf{fma}\left(x, x, 2\right)} \]
8. Add Preprocessing

Alternative 4: 96.6% 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 9.8%

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

3. Taylor expanded in x around 0 97.8%

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

4. Taylor expanded in x around 0 97.5%

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

   1. distribute-rgt-in 97.5%

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

   2. *-lft-identity 97.5%

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

   3. associate-*r* 97.5%

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

   4. unpow2 97.5%

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

   5. unpow3 97.5%

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

6. Simplified 97.5%

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

7. Final simplification 97.5%

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

Alternative 5: 96.6% accurate, 45.4× speedup

Math

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

FPCore

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

C

double code(double x) {
	return x * (1.0 + (-0.3333333333333333 * (x * x)));
}

Fortran

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

Java

public static double code(double x) {
	return x * (1.0 + (-0.3333333333333333 * (x * x)));
}

Python

def code(x):
	return x * (1.0 + (-0.3333333333333333 * (x * x)))

Julia

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

MATLAB

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

Wolfram

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

Derivation

1. Initial program 9.8%

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

3. Taylor expanded in x around 0 97.8%

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

4. Taylor expanded in x around 0 97.5%

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

   1. +-commutative 97.5%

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

6. Simplified 97.5%

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

   1. unpow2 97.5%

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

8. Applied egg-rr 97.5%

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

9. Final simplification 97.5%

   \[\leadsto x \cdot \left(1 + -0.3333333333333333 \cdot \left(x \cdot x\right)\right) \]
10. Add Preprocessing

Alternative 6: 4.0% accurate, 409.0× speedup

Math

\[\begin{array}{l} \\ 1.5 \end{array} \]

FPCore

(FPCore (x) :precision binary64 1.5)

C

double code(double x) {
	return 1.5;
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = 1.5d0
end function

Java

public static double code(double x) {
	return 1.5;
}

Python

def code(x):
	return 1.5

Julia

function code(x)
	return 1.5
end

MATLAB

function tmp = code(x)
	tmp = 1.5;
end

Wolfram

code[x_] := 1.5

Derivation

1. Initial program 9.8%

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

4. Applied egg-rr 4.0%

   \[\leadsto \frac{\color{blue}{3}}{e^{x} + e^{-x}} \]

5. Taylor expanded in x around 0 4.1%

   \[\leadsto \color{blue}{1.5} \]

6. Final simplification 4.1%

   \[\leadsto 1.5 \]
7. Add Preprocessing

Alternative 7: 96.4% 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 9.8%

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

3. Taylor expanded in x around 0 97.0%

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

4. Final simplification 97.0%

   \[\leadsto x \]
5. Add Preprocessing

Reproduce

herbie shell --seed 2024081 
(FPCore (x)
  :name "Hyperbolic tangent"
  :precision binary64
  (/ (- (exp x) (exp (- x))) (+ (exp x) (exp (- x)))))