使用python3.9，写一个Bert-BiLSTM-CRF模型的命名实体识别

下面是一份使用 python 3.9 实现 Bert-BiLSTM-CRF 模型的命名实体识别的简单代码示例：

import torch
import torch.nn as nn
from transformers import BertModel

class BertBiLSTMCRF(nn.Module):
    def __init__(self, tag_to_ix, hidden_dim=768, num_layers=2, bidirectional=True, dropout=0.5):
        super(BertBiLSTMCRF, self).__init__()
        self.bert = BertModel.from_pretrained('bert-base-uncased')
        self.lstm = nn.LSTM(hidden_dim, hidden_dim // 2, num_layers=num_layers, bidirectional=bidirectional, dropout=dropout)
        self.fc = nn.Linear(hidden_dim, len(tag_to_ix))
        self.crf = nn.CRF(len(tag_to_ix), batch_first=True)
        self.hidden_dim = hidden_dim
        self.tag_to_ix = tag_to_ix
        self.tagset_size = len(tag_to_ix)
        
    def forward(self, sent, tags=None):
        with torch.no_grad():
            bert_outputs = self.bert(sent)[0]
        lstm_output, _ = self.lstm(bert_outputs)
        feats = self.fc(lstm_output)
        if tags is not None:
            loss = -self.crf(feats, tags)
            return loss
        else:
            scores = self.crf.forward_scores(feats)
            return scores
        
    def predict(self, sent):
        scores = self.forward(sent)
        _, predict_tags = scores.max(2)
        return predict_tags

该代码示例中，我们使用了 BertModel 来构建 BERT 的预训练模型，并将其作为 BiLSTM 的输入，最后通过全连接层和 CRF 层实现命名实体识别。

请注意，这仅是一个简单的示例，你可能需要根据实际需求进行修改和优化。