Hyperbolic tangent

Percentage Accurate: 9.1% → 97.2%

Time: 9.2s

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: 9.1% 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: 97.2% accurate, 1.8× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

code[x_] := N[(N[(x * N[(2.0 + N[(N[(x * x), $MachinePrecision] * N[(0.3333333333333333 + N[(N[(x * x), $MachinePrecision] * N[(0.016666666666666666 + N[(N[(x * x), $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 10.1%

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

3. Taylor expanded in x around 0 97.5%

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

   1. *-commutative 97.5%

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

5. Simplified 97.5%

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

   1. unpow2 97.5%

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

7. Applied egg-rr 97.5%

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

   1. unpow2 97.5%

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

9. Applied egg-rr 97.5%

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

    1. unpow2 97.5%

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

11. Applied egg-rr 97.5%

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

Alternative 2: 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 10.1%

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

3. Taylor expanded in x around 0 97.3%

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

4. Final simplification 97.3%

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

Alternative 3: 97.0% accurate, 3.4× speedup

Math

\[\begin{array}{l} \\ x \cdot \left(1 + {x}^{2} \cdot \left(\left(x \cdot x\right) \cdot \left(0.13333333333333333 + \left(x \cdot x\right) \cdot -0.05396825396825397\right) - 0.3333333333333333\right)\right) \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (*
  x
  (+
   1.0
   (*
    (pow x 2.0)
    (-
     (* (* x x) (+ 0.13333333333333333 (* (* x x) -0.05396825396825397)))
     0.3333333333333333)))))

C

double code(double x) {
	return x * (1.0 + (pow(x, 2.0) * (((x * x) * (0.13333333333333333 + ((x * x) * -0.05396825396825397))) - 0.3333333333333333)));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = x * (1.0d0 + ((x ** 2.0d0) * (((x * x) * (0.13333333333333333d0 + ((x * x) * (-0.05396825396825397d0)))) - 0.3333333333333333d0)))
end function

Java

public static double code(double x) {
	return x * (1.0 + (Math.pow(x, 2.0) * (((x * x) * (0.13333333333333333 + ((x * x) * -0.05396825396825397))) - 0.3333333333333333)));
}

Python

def code(x):
	return x * (1.0 + (math.pow(x, 2.0) * (((x * x) * (0.13333333333333333 + ((x * x) * -0.05396825396825397))) - 0.3333333333333333)))

Julia

function code(x)
	return Float64(x * Float64(1.0 + Float64((x ^ 2.0) * Float64(Float64(Float64(x * x) * Float64(0.13333333333333333 + Float64(Float64(x * x) * -0.05396825396825397))) - 0.3333333333333333))))
end

MATLAB

function tmp = code(x)
	tmp = x * (1.0 + ((x ^ 2.0) * (((x * x) * (0.13333333333333333 + ((x * x) * -0.05396825396825397))) - 0.3333333333333333)));
end

Wolfram

code[x_] := N[(x * N[(1.0 + N[(N[Power[x, 2.0], $MachinePrecision] * N[(N[(N[(x * x), $MachinePrecision] * N[(0.13333333333333333 + N[(N[(x * x), $MachinePrecision] * -0.05396825396825397), $MachinePrecision]), $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 97.3%

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

   1. unpow2 97.5%

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

5. Applied egg-rr 97.3%

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

   1. unpow2 97.5%

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

7. Applied egg-rr 97.3%

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

8. Final simplification 97.3%

   \[\leadsto x \cdot \left(1 + {x}^{2} \cdot \left(\left(x \cdot x\right) \cdot \left(0.13333333333333333 + \left(x \cdot x\right) \cdot -0.05396825396825397\right) - 0.3333333333333333\right)\right) \]
9. Add Preprocessing

Alternative 4: 97.2% accurate, 27.3× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

public static double code(double x) {
	return (x * (2.0 + ((x * x) * 0.3333333333333333))) / (2.0 + (x * x));
}

Python

def code(x):
	return (x * (2.0 + ((x * x) * 0.3333333333333333))) / (2.0 + (x * x))

Julia

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

MATLAB

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

Wolfram

code[x_] := N[(N[(x * N[(2.0 + N[(N[(x * x), $MachinePrecision] * 0.3333333333333333), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] / N[(2.0 + N[(x * x), $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 8.7%

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

4. Taylor expanded in x around 0 97.2%

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

   1. *-commutative 97.2%

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

6. Simplified 97.2%

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

   1. unpow2 97.5%

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

8. Applied egg-rr 97.2%

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

   1. unpow2 97.5%

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

10. Applied egg-rr 97.2%

    \[\leadsto \frac{x \cdot \left(2 + \color{blue}{\left(x \cdot x\right)} \cdot 0.3333333333333333\right)}{2 + x \cdot x} \]
11. Add Preprocessing

Alternative 5: 96.6% accurate, 45.4× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

code[x_] := N[(N[(x * 2.0), $MachinePrecision] / N[(2.0 + N[(x * x), $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 8.7%

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

4. Taylor expanded in x around 0 97.2%

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

   1. *-commutative 97.2%

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

6. Simplified 97.2%

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

   1. unpow2 97.5%

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

8. Applied egg-rr 97.2%

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

9. Taylor expanded in x around 0 96.2%

   \[\leadsto \frac{x \cdot \color{blue}{2}}{2 + x \cdot x} \]
10. Add Preprocessing

Alternative 6: 96.6% 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 96.2%

   \[\leadsto \color{blue}{x} \]
4. Add Preprocessing

Alternative 7: 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 10.1%

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

4. Applied egg-rr 3.9%

   \[\leadsto \color{blue}{1.5} \]
5. Add Preprocessing

Reproduce

herbie shell --seed 2024146 
(FPCore (x)
  :name "Hyperbolic tangent"
  :precision binary64
  (/ (- (exp x) (exp (- x))) (+ (exp x) (exp (- x)))))