用BERT写一个文本分类模型，并给出具体代码

好的，下面是使用Python和PyTorch实现一个基于BERT的文本分类模型的示例代码：

import torch
from transformers import BertTokenizer, BertForSequenceClassification

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

# 准备训练数据
train_texts = ['这是一条正面的例子', '这是一条负面的例子']
train_labels = [1, 0] # 1表示正面，0表示负面

# 对文本进行编码
train_encodings = tokenizer(train_texts, truncation=True, padding=True)

# 将编码后的数据转化为PyTorch张量
train_dataset = torch.utils.data.TensorDataset(
    torch.tensor(train_encodings['input_ids']),
    torch.tensor(train_encodings['attention_mask']),
    torch.tensor(train_labels))

# 定义训练参数和优化器
batch_size = 2
num_epochs = 2
optimizer = torch.optim.Adam(model.parameters(), lr=1e-5)

# 训练模型
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
model.train()
for epoch in range(num_epochs):
    for batch in train_loader:
        optimizer.zero_grad()
        input_ids, attention_mask, labels = batch
        outputs = model(input_ids, attention_mask=attention_mask, labels=labels)
        loss = outputs.loss
        loss.backward()
        optimizer.step()

# 使用模型进行预测
test_texts = ['这是一条需要分类的文本']
test_encodings = tokenizer(test_texts, truncation=True, padding=True)
test_dataset = torch.utils.data.TensorDataset(
    torch.tensor(test_encodings['input_ids']),
    torch.tensor(test_encodings['attention_mask']))
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=1, shuffle=False)
model.eval()
with torch.no_grad():
    for batch in test_loader:
        input_ids, attention_mask = batch
        outputs = model(input_ids, attention_mask=attention_mask)
        logits = outputs.logits
        predictions = torch.argmax(logits, dim=-1)
        print(predictions.item())  # 输出预测结果

在这个示例代码中，我们首先使用`transformers`库加载了一个中文BERT预训练模型和对应的tokenizer。然后，我们准备了训练数据，对训练文本进行编码，使用PyTorch的`DataLoader`来读取训练数据，并使用`Adam`优化器和交叉熵损失函数对模型进行训练。最后，我们使用训练好的模型对一个测试文本进行预测，并输出预测结果。

需要注意的是，由于BERT模型参数非常庞大，需要比较强大的计算资源和时间来训练和使用。此外，还需要安装`transformers`库和PyTorch库才能运行这个示例代码。