bert文本分类代码

当然，这是一个基于BERT模型的文本分类代码示例：

import torch
from transformers import BertTokenizer, BertForSequenceClassification

# 加载预训练的BERT模型和tokenizer
model_name = 'bert-base-uncased'
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertForSequenceClassification.from_pretrained(model_name, num_labels=2)

# 准备输入文本
text = "This is an example sentence."
inputs = tokenizer.encode_plus(text, add_special_tokens=True, return_tensors='pt')

# 运行BERT模型进行文本分类
outputs = model(**inputs)
predictions = torch.argmax(outputs.logits, dim=1)

# 打印预测结果
print(f"Predicted class: {predictions.item()}")

在这个例子中，我们使用Hugging Face的`transformers`库来加载预训练的BERT模型和tokenizer。首先，我们指定了使用的预训练模型（这里使用的是`bert-base-uncased`，即小写字母的BERT模型）和对应的tokenizer。然后，我们准备输入文本并使用tokenizer对其进行编码。接下来，我们将编码后的输入传递给BERT模型，得到模型的输出。最后，我们通过对输出进行argmax操作来获取预测的类别。

请注意，这只是一个简单的示例代码，实际使用时可能需要进行更多的数据预处理、训练和调参。还可以根据实际需求修改模型结构和超参数来优化性能。