给我一个示例，演示一下transformers的神经网络模型

当提到transformers的神经网络模型时，最常见和流行的就是BERT（Bidirectional Encoder Representations from Transformers）模型。下面是一个使用transformers库加载和使用BERT模型的示例：

from transformers import BertTokenizer, BertModel

# 加载预训练的BERT模型和tokenizer
model_name = 'bert-base-uncased'
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertModel.from_pretrained(model_name)

# 定义输入文本
text = "Hello, how are you doing today?"

# 使用tokenizer对文本进行编码
encoding = tokenizer.encode_plus(
    text,
    add_special_tokens=True,  # 添加特殊标记
    truncation=True,  # 截断文本
    padding='max_length',  # 填充文本到最大长度
    max_length=128,  # 最大输入长度
    return_tensors='pt'  # 返回PyTorch张量
)

# 获取编码后的输入张量
input_ids = encoding['input_ids']
attention_mask = encoding['attention_mask']

# 使用BERT模型进行前向传播
outputs = model(input_ids, attention_mask)

# 获取模型的输出
last_hidden_state = outputs.last_hidden_state  # 获取最后一层的隐藏状态
pooled_output = outputs.pooler_output  # 获取池化后的输出

# 输出结果
print("Last hidden state shape:", last_hidden_state.shape)
print("Pooled output shape:", pooled_output.shape)

在这个示例中，我们首先通过`BertTokenizer.from_pretrained()`加载了预训练的BERT tokenizer，然后通过`BertModel.from_pretrained()`加载了预训练的BERT模型。

接下来，我们定义了一个输入文本并使用tokenizer对其进行编码。编码结果包括`input_ids`和`attention_mask`，它们将作为输入传递给BERT模型。

然后，我们使用BERT模型进行前向传播，并获取模型的输出。输出包括最后一层的隐藏状态`last_hidden_state`和经过池化后的输出`pooled_output`。

最后，我们打印出输出的形状，以便查看结果。

这个示例展示了如何使用transformers库加载和使用BERT模型，在实际应用中，你可以根据具体任务对模型进行微调或进行其他操作。