生成用PyTorch编写的提取自按照如下要求生成代码。首先用PyTorch自定义一个 CNN 网络 ，其中包含卷积层、池化层和全连接层。然后，我们选定指定层之前的所有层，并用这些层构建一个新的模型。最后，我们用新模型进行预测。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，其中包含一个自定义的CNN网络，并选定了指定层之前的所有层：

import torch.nn as nn

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        
        # 定义卷积层
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3, stride=1, padding=1)
        self.conv2 = nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3, stride=1, padding=1)
        self.conv3 = nn.Conv2d(in_channels=64, out_channels=128, kernel_size=3, stride=1, padding=1)
        
        # 定义池化层
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        
        # 定义全连接层
        self.fc1 = nn.Linear(in_features=128 * 8 * 8, out_features=512)
        self.fc2 = nn.Linear(in_features=512, out_features=10)
        
    def forward(self, x):
        # 卷积层
        x = self.conv1(x)
        x = nn.ReLU()(x)
        x = self.pool(x)
        
        x = self.conv2(x)
        x = nn.ReLU()(x)
        x = self.pool(x)
        
        x = self.conv3(x)
        x = nn.ReLU()(x)
        x = self.pool(x)
        
        # 全连接层
        x = x.view(-1, 128 * 8 * 8)
        x = self.fc1(x)
        x = nn.ReLU()(x)
        x = self.fc2(x)
        
        return x

# 选定指定层之前的所有层
class NewModel(nn.Module):
    def __init__(self):
        super(NewModel, self).__init__()
        
        # 定义卷积层
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3, stride=1, padding=1)
        self.conv2 = nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3, stride=1, padding=1)
        self.conv3 = nn.Conv2d(in_channels=64, out_channels=128, kernel_size=3, stride=1, padding=1)
        
        # 定义池化层
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        
        # 定义全连接层
        self.fc1 = nn.Linear(in_features=128 * 8 * 8, out_features=512)
        
    def forward(self, x):
        # 卷积层
        x = self.conv1(x)
        x = nn.ReLU()(x)
        x = self.pool(x)
        
        x = self.conv2(x)
        x = nn.ReLU()(x)
        x = self.pool(x)
        
        x = self.conv3(x)
        x = nn.ReLU()(x)
        x = self.pool(x)
        
        # 全连接层
        x = x.view(-1, 128 * 8 * 8)
        x = self.fc1(x)
        x = nn.ReLU()(x)
        
        return x

在这个例子中，我们首先定义了一个自定义的CNN网络，包含卷积层、池化层和全连接层。然后，我们定义了一个新模型，该模型仅包含指定层之前的所有层。最后，我们在新模型上进行预测。