生成用PyTorch编写的提取自己编写的CNN网络选定层之前的所有层的代码

以下是一个示例代码，可以提取 PyTorch 中自己编写的 CNN 网络选定层之前的所有层：

import torch
import torch.nn as nn

class CustomCNN(nn.Module):
    def __init__(self):
        super(CustomCNN, self).__init__()
        # 构建自己的 CNN 网络
        self.conv1 = nn.Conv2d(3, 32, kernel_size=3, stride=1, padding=1)
        self.bn1 = nn.BatchNorm2d(32)
        self.relu1 = nn.ReLU(inplace=True)
        self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1)
        self.bn2 = nn.BatchNorm2d(64)
        self.relu2 = nn.ReLU(inplace=True)
        self.pool2 = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv3 = nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1)
        self.bn3 = nn.BatchNorm2d(128)
        self.relu3 = nn.ReLU(inplace=True)
        self.pool3 = nn.MaxPool2d(kernel_size=2, stride=2)
        self.fc1 = nn.Linear(4 * 4 * 128, 512)
        self.bn4 = nn.BatchNorm1d(512)
        self.relu4 = nn.ReLU(inplace=True)
        self.dropout = nn.Dropout(p=0.5)
        self.fc2 = nn.Linear(512, 10)
        
    def forward(self, x):
        x = self.conv1(x)
        x = self.bn1(x)
        x = self.relu1(x)
        x = self.pool1(x)
        x = self.conv2(x)
        x = self.bn2(x)
        x = self.relu2(x)
        x = self.pool2(x)
        x = self.conv3(x)
        x = self.bn3(x)
        x = self.relu3(x)
        x = self.pool3(x)
        x = x.view(-1, 4 * 4 * 128)
        x = self.fc1(x)
        x = self.bn4(x)
        x = self.relu4(x)
        x = self.dropout(x)
        x = self.fc2(x)
        return x

# 实例化自定义 CNN 网络
model = CustomCNN()

# 选定层之前的所有层
layers = list(model.children())[:-2]

# 构建新的模型，只包含选定层之前的所有层
new_model = nn.Sequential(*layers)

# 输出新的模型的结构
print(new_model)

上面的代码中，我们首先定义了一个自定义的 CNN 网络 `CustomCNN`，其中包含了多个卷积层、池化层和全连接层。然后，我们通过 `list(model.children())[:-2]` 选定了层之前的所有层，并用这些层构建了一个新的模型 `new_model`。最后，我们输出了新模型的结构。

注意，这里的 `[:-2]` 表示选定除了最后两层以外的所有层。如果要选择其他层数，可以根据需要进行修改。