按照如下要求生成代码。首先用PyTorch自定义一个 CNN 网络 ，进行训练。然后，对训练好的模型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。

好的，以下是代码实现：

import torch.nn as nn
import torch.optim as optim

# 自定义CNN网络
class MyCNN(nn.Module):
    def __init__(self):
        super(MyCNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(nn.functional.relu(self.conv1(x)))
        x = self.pool(nn.functional.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = nn.functional.relu(self.fc1(x))
        x = nn.functional.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 定义训练数据和测试数据
train_data = ...
test_data = ...

# 实例化模型
model = MyCNN()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

# 训练模型
for epoch in range(10):
    running_loss = 0.0
    for i, data in enumerate(train_data, 0):
        inputs, labels = data
        optimizer.zero_grad()

        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 2000 == 1999:
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

# 选定指定层之前的所有层，构建新模型
new_model = nn.Sequential(*list(model.children())[:-2])

# 使用新模型进行预测
with torch.no_grad():
    for data in test_data:
        images, labels = data
        outputs = new_model(images)
        _, predicted = torch.max(outputs.data, 1)
        print(predicted)

在这个例子中，我们定义了一个简单的 CNN 网络，并使用 PyTorch 进行训练。然后，我们选定第三层之前的所有层，并使用这些层构建了一个新模型。最后，我们使用新模型进行预测。