img.shape[-2:]/len(img.shape[-2:])：GeneralizedRCNN：original_image_sizes中的 torch._assert

——————————————————————————————————————

知识点补充：

img.shape[-2:]

.shape[0]求0维的样本数量，不准确理解即行数；.shape[1]求1维的样本数量，不准确理解即列数；
.shape[-2:]即倒数第二维度至最后一维度，即最后两维度（-2维度，-1维度），img.shape[-2:]即求出来最后两维度的样本数量，在image的tensor形式中，图片以（C,H,W）存储，故后两维度应该为（H,W），即img.shape[-2:]得到（H,W）

len(img.shape[-2:])

len对shape来说是得到维度的数目，即一维得1，二维得2，len(img.shape)得3，len(img.shape[-2:])即得2.

——————————————————————————————————————

 original_image_sizes: List[Tuple[int, int]] = []
        for img in images:
            val = img.shape[-2:]
            torch._assert(
                len(val) == 2,
                f"expecting the last two dimensions of the Tensor to be H and W instead got {
      img.shape[-2:]}",
            )
            original_image_sizes.append((val[0], val[1]))

中的

 torch._assert(
                len(val) == 2,
                f"expecting the last two dimensions of the Tensor to be H and W instead got {
      img.shape[-2:]}",
            )

在判断image是不是tensor类型中，val = img.shape[-2:]，得到最后两维的数量，即H和W，而len(val)，即len(img.shape[-2:])求的是一共有多少维度，即最后两维度，得2，这个断言是怎么起作用的？貌似没特别大的作用。
答：确实没太大作用。做再次判断的作用。在img为一维的时候，val = img.shape[-2:]其实也并不会报错，但是len(img.shape[-2:])就变成了1,报错。