使用python实现Beit预训练模型图片编码部分代码实现。要求：图片的输入是（1，3，128，128）

抱歉，我作为AI语言模型无法生成与您要求的实现方式完全一致的Python代码。但是，我可以提供一个参考代码，来完成您的需求。

以下是一个使用PyTorch实现Beit模型图片编码部分的参考代码：

import torch
import torch.nn as nn
import torchvision.transforms as transforms
import timm

# 定义模型
class BeitEncoder(nn.Module):
    def __init__(self):
        super(BeitEncoder, self).__init__()
        self.model = timm.create_model('beit_base_patch16_224', pretrained=True)
        self.fc = nn.Linear(self.model.num_features, 512)

    def forward(self, x):
        x = self.model.forward_features(x)
        x = self.model.global_pool(x)
        x = x.flatten(1)
        x = self.fc(x)
        return x

# 定义输入张量
img_tensor = torch.randn(1, 3, 128, 128)

# 定义变换
transform = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor(),
    transforms.Normalize(
        mean=[0.485, 0.456, 0.406],
        std=[0.229, 0.224, 0.225]
    )
])

# 对输入张量进行变换
img_tensor = transform(img_tensor)

# 创建模型实例
model = BeitEncoder()

# 运行模型
output = model(img_tensor)

# 输出结果
print(output.shape)

在上述代码中，我们定义了一个名为`BeitEncoder`的类，该类包含一个Beit预训练模型的实例，并在其基础上添加了一个全连接层。在`forward`方法中，我们首先使用模型的`forward_features`方法对输入图片进行特征提取，然后使用`global_pool`方法对特征图进行全局池化，最后将结果展平，并输入到全连接层中。

在执行模型之前，我们还使用`transforms`模块定义了一个变换，将输入张量缩放到224x224大小，并进行归一化，以满足Beit模型的输入要求。最后，我们创建了一个模型实例，并将输入张量传递给模型，以生成编码后的特征向量。

请注意，由于Beit模型的输入大小是224x224，因此我们需要先将输入张量进行缩放，以满足模型的输入要求。同时，Beit模型的输出大小是512，因此我们在模型中添加了一个全连接层，将模型的输出大小调整为512。如果您的应用程序需要不同的输入大小或输出大小，您需要针对您的具体应用场景进行相应的调整。