huggingface bert模型代码

以下是使用Hugging Face的Transformers库加载BERT模型并进行文本分类任务的示例代码：

from transformers import BertTokenizer, BertForSequenceClassification
import torch

# 加载BERT模型和分词器
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertForSequenceClassification.from_pretrained('bert-base-uncased', num_labels=2)

# 准备输入数据
text = "This is an example sentence."
encoded_input = tokenizer(text, return_tensors='pt')

# 使用BERT模型进行预测
output = model(**encoded_input)

# 输出模型预测结果
print(output)

在上述代码中，我们首先使用`BertTokenizer.from_pretrained()`方法加载Bert分词器，然后使用`BertForSequenceClassification.from_pretrained()`方法加载预训练的BERT模型。在加载模型时，我们需要指定`num_labels`参数，以便模型知道输出的类别数。

接下来，我们准备输入数据。在这个例子中，我们使用一个简单的文本句子作为输入。我们将文本句子传递给分词器，将其转换为BERT模型可以处理的格式，并使用PyTorch张量对其进行编码。

最后，我们使用BERT模型的`__call__()`方法（或者`forward()`方法）对输入数据进行预测，并输出模型的预测结果。在默认情况下，`BertForSequenceClassification`模型会返回一个元组，其中包含模型的输出和损失值。我们可以只获取模型的输出部分，它是一个PyTorch张量，包含输入句子属于每个类别的概率。