.data（）给你一个直线。参见：http://nd4j.org/tensor
数组的形状只是底层数据缓冲器的视图。我通常不建议你在没有充分理由的情况下做你想做的事情。所有数据都存储在堆外。那本书很贵。
在堆上做任何数学题都是不好的。这里唯一的用例是集成。我建议尽可能直接在数组上操作。从序列化到索引的一切都为您处理。
如果你真的需要它来进行某种集成，使用guava，你可以在一行中完成它：Doubles.asList（arr.data（）.dup（）.asDouble（））;
其中，ndarray是要操作的ndarray。

是的，事实证明，带有ND 4J的.data()并不适合用于非常严肃的事情。这对我想做的事情来说有点遗憾：编写并不真正依赖于ND 4J的单元测试，以及它如何在内部处理数据。
作为这里问题的另一个例子，考虑以下代码：

import org.nd4j.linalg.factory.Nd4j

object foo extends App {

  val x = Nd4j.create(Array[Double](1,2, 3,4, 5,6), Array(3,2))
  // 1,2
  // 3,4
  // 5,6
  println(x)
  val xArr = x.data().asDouble().toList
  // 1,2,  3,4,  5,6 - row-wise
  println(xArr)

  val w = Nd4j.create(Array[Double](10,20,30, 40,50,60), Array(2,3))
  // 10,20,30
  // 40,50,60
  println(w)
  val wArr = w.data().asDouble().toList
  // 10,20,30,  40,50,60 - row-wise
  println(wArr)

  val wx = w.mmul(x)
  /*
   *  10,20,30   1,2     10*1+20*3+30*5  10*2+20*4+30*6      220  280
   *  40,50,60   3,4  =  40*1+50*3+60*5  40*2+50*4+60*6  =   490  640
   *             5,6
   */
  println(wx)
  val wxArr = wx.data().asDouble().toList
  // 220, 490,  280, 640 - column-wise
  println(wxArr)
  val wxTArr = wx.transpose().data().asDouble().toList
  // 220, 490,  280, 640 - still column-wise
  println(wxTArr)
  val wxTIArr = wx.transposei().data().asDouble().toList
  // 220, 490,  280, 640 - still column-wise
  println(wxTIArr)

}

正如你所看到的，ND 4 J基本上在内部做它想要的事情，当你使用.data()时，它会简单地给予它的内部表示;这个表示不会被任何转置或任何你要求它做的事情改变，因为这些实际上并没有移动底层数据。
这一切都很好，但我想做的基本上是：创建一个Scala普通双精度数列表;给予我的自定义库的东西;让图书馆做好自己的事情。获取其输出并将其转换为另一个Scala双精度列表;验证这些双精度数是我期望它计算的。相反，我必须做的是把预期的东西放在ND 4J数组中，这样我就可以正确地将其与实际输出进行比较，所以我的测试现在依赖于ND 4J，这是我的库的内部技术选择。
无论如何，这是一个相对较小的抱怨，教训是，避免.data()，而不是如果你使用ND 4J，使用它在整个（即使你认为有点不雅）。

如果不检查NDArray的order+形状，使用.data（）确实看起来很危险。'c'代表逐行，'f'（fortran）代表逐列
你可以在创建数组时强制排序：

INDArray array = Nd4j.create(new double[] {1,2,3,4,5,6}, new  int[]{3,2}, 'f');

你可以在检索双[]扁平数组时强制排序：

double[] data = Nd4j.toFlattened('f', array).toDoubleVector();

参考文献：https://deeplearning4j.konduit.ai/nd4j/reference