Hyperbolic tangent

Percentage Accurate: 9.2% → 97.3%

Time: 8.2s

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: 9.2% 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: 97.3% accurate, 0.8× speedup

Math

\[\begin{array}{l} \\ \frac{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + {x}^{2} \cdot \left(0.016666666666666666 + {x}^{2} \cdot 0.0003968253968253968\right)\right)\right)}{e^{x} + e^{-x}} \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (/
  (*
   x
   (+
    2.0
    (*
     (pow x 2.0)
     (+
      0.3333333333333333
      (*
       (pow x 2.0)
       (+ 0.016666666666666666 (* (pow x 2.0) 0.0003968253968253968)))))))
  (+ (exp x) (exp (- x)))))

C

double code(double x) {
	return (x * (2.0 + (pow(x, 2.0) * (0.3333333333333333 + (pow(x, 2.0) * (0.016666666666666666 + (pow(x, 2.0) * 0.0003968253968253968))))))) / (exp(x) + exp(-x));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = (x * (2.0d0 + ((x ** 2.0d0) * (0.3333333333333333d0 + ((x ** 2.0d0) * (0.016666666666666666d0 + ((x ** 2.0d0) * 0.0003968253968253968d0))))))) / (exp(x) + exp(-x))
end function

Java

public static double code(double x) {
	return (x * (2.0 + (Math.pow(x, 2.0) * (0.3333333333333333 + (Math.pow(x, 2.0) * (0.016666666666666666 + (Math.pow(x, 2.0) * 0.0003968253968253968))))))) / (Math.exp(x) + Math.exp(-x));
}

Python

def code(x):
	return (x * (2.0 + (math.pow(x, 2.0) * (0.3333333333333333 + (math.pow(x, 2.0) * (0.016666666666666666 + (math.pow(x, 2.0) * 0.0003968253968253968))))))) / (math.exp(x) + math.exp(-x))

Julia

function code(x)
	return Float64(Float64(x * Float64(2.0 + Float64((x ^ 2.0) * Float64(0.3333333333333333 + Float64((x ^ 2.0) * Float64(0.016666666666666666 + Float64((x ^ 2.0) * 0.0003968253968253968))))))) / Float64(exp(x) + exp(Float64(-x))))
end

MATLAB

function tmp = code(x)
	tmp = (x * (2.0 + ((x ^ 2.0) * (0.3333333333333333 + ((x ^ 2.0) * (0.016666666666666666 + ((x ^ 2.0) * 0.0003968253968253968))))))) / (exp(x) + exp(-x));
end

Wolfram

code[x_] := N[(N[(x * N[(2.0 + N[(N[Power[x, 2.0], $MachinePrecision] * N[(0.3333333333333333 + N[(N[Power[x, 2.0], $MachinePrecision] * N[(0.016666666666666666 + N[(N[Power[x, 2.0], $MachinePrecision] * 0.0003968253968253968), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] / N[(N[Exp[x], $MachinePrecision] + N[Exp[(-x)], $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 98.4%

   \[\leadsto \frac{\color{blue}{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + {x}^{2} \cdot \left(0.016666666666666666 + 0.0003968253968253968 \cdot {x}^{2}\right)\right)\right)}}{e^{x} + e^{-x}} \]
4. Step-by-step derivation

   1. *-commutative 98.4%

      \[\leadsto \frac{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + {x}^{2} \cdot \left(0.016666666666666666 + \color{blue}{{x}^{2} \cdot 0.0003968253968253968}\right)\right)\right)}{e^{x} + e^{-x}} \]

5. Simplified 98.4%

   \[\leadsto \frac{\color{blue}{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + {x}^{2} \cdot \left(0.016666666666666666 + {x}^{2} \cdot 0.0003968253968253968\right)\right)\right)}}{e^{x} + e^{-x}} \]

6. Final simplification 98.4%

   \[\leadsto \frac{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + {x}^{2} \cdot \left(0.016666666666666666 + {x}^{2} \cdot 0.0003968253968253968\right)\right)\right)}{e^{x} + e^{-x}} \]
7. Add Preprocessing

Alternative 2: 97.1% accurate, 1.9× speedup

Math

\[\begin{array}{l} \\ x \cdot \left(1 + {x}^{2} \cdot \left({x}^{2} \cdot 0.125 - 0.3333333333333333\right)\right) \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (* x (+ 1.0 (* (pow x 2.0) (- (* (pow x 2.0) 0.125) 0.3333333333333333)))))

C

double code(double x) {
	return x * (1.0 + (pow(x, 2.0) * ((pow(x, 2.0) * 0.125) - 0.3333333333333333)));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = x * (1.0d0 + ((x ** 2.0d0) * (((x ** 2.0d0) * 0.125d0) - 0.3333333333333333d0)))
end function

Java

public static double code(double x) {
	return x * (1.0 + (Math.pow(x, 2.0) * ((Math.pow(x, 2.0) * 0.125) - 0.3333333333333333)));
}

Python

def code(x):
	return x * (1.0 + (math.pow(x, 2.0) * ((math.pow(x, 2.0) * 0.125) - 0.3333333333333333)))

Julia

function code(x)
	return Float64(x * Float64(1.0 + Float64((x ^ 2.0) * Float64(Float64((x ^ 2.0) * 0.125) - 0.3333333333333333))))
end

MATLAB

function tmp = code(x)
	tmp = x * (1.0 + ((x ^ 2.0) * (((x ^ 2.0) * 0.125) - 0.3333333333333333)));
end

Wolfram

code[x_] := N[(x * N[(1.0 + N[(N[Power[x, 2.0], $MachinePrecision] * N[(N[(N[Power[x, 2.0], $MachinePrecision] * 0.125), $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 98.1%

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

4. Taylor expanded in x around 0 98.1%

   \[\leadsto \color{blue}{x \cdot \left(1 + {x}^{2} \cdot \left(0.125 \cdot {x}^{2} - 0.3333333333333333\right)\right)} \]

5. Final simplification 98.1%

   \[\leadsto x \cdot \left(1 + {x}^{2} \cdot \left({x}^{2} \cdot 0.125 - 0.3333333333333333\right)\right) \]
6. Add Preprocessing

Alternative 3: 97.2% accurate, 1.9× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

code[x_] := N[(x * N[(1.0 + N[(N[Power[x, 2.0], $MachinePrecision] * N[(N[(N[Power[x, 2.0], $MachinePrecision] * 0.13333333333333333), $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 98.2%

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

4. Final simplification 98.2%

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

Alternative 4: 96.8% accurate, 3.9× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

code[x_] := N[(x + N[(-0.3333333333333333 * N[Power[x, 3.0], $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 97.9%

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

   1. *-commutative 97.9%

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

5. Simplified 97.9%

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

   1. distribute-rgt-in 97.9%

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

   2. *-un-lft-identity 97.9%

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

   3. +-commutative 97.9%

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

   4. *-commutative 97.9%

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

   5. associate-*r* 97.9%

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

   6. unpow2 97.9%

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

   7. unpow3 97.9%

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

7. Applied egg-rr 97.9%

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

8. Final simplification 97.9%

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

Alternative 5: 4.0% accurate, 409.0× speedup

Math

\[\begin{array}{l} \\ 0.6666666666666666 \end{array} \]

FPCore

(FPCore (x) :precision binary64 0.6666666666666666)

C

double code(double x) {
	return 0.6666666666666666;
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = 0.6666666666666666d0
end function

Java

public static double code(double x) {
	return 0.6666666666666666;
}

Python

def code(x):
	return 0.6666666666666666

Julia

function code(x)
	return 0.6666666666666666
end

MATLAB

function tmp = code(x)
	tmp = 0.6666666666666666;
end

Wolfram

code[x_] := 0.6666666666666666

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 98.1%

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

5. Applied egg-rr 22.2%

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

7. Applied egg-rr 3.9%

   \[\leadsto \color{blue}{0.6666666666666666} \]

8. Final simplification 3.9%

   \[\leadsto 0.6666666666666666 \]
9. Add Preprocessing

Alternative 6: 5.0% accurate, 409.0× speedup

Math

\[\begin{array}{l} \\ 1 \end{array} \]

FPCore

(FPCore (x) :precision binary64 1.0)

C

double code(double x) {
	return 1.0;
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = 1.0d0
end function

Java

public static double code(double x) {
	return 1.0;
}

Python

def code(x):
	return 1.0

Julia

function code(x)
	return 1.0
end

MATLAB

function tmp = code(x)
	tmp = 1.0;
end

Wolfram

code[x_] := 1.0

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 98.1%

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

5. Applied egg-rr 22.2%

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

7. Applied egg-rr 4.6%

   \[\leadsto \color{blue}{1} \]

8. Final simplification 4.6%

   \[\leadsto 1 \]
9. Add Preprocessing

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 9.8%

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

3. Taylor expanded in x around 0 97.7%

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

4. Final simplification 97.7%

   \[\leadsto x \]
5. Add Preprocessing

Reproduce

herbie shell --seed 2024085 
(FPCore (x)
  :name "Hyperbolic tangent"
  :precision binary64
  (/ (- (exp x) (exp (- x))) (+ (exp x) (exp (- x)))))