在BERT中的屏蔽遮蔽（Masked Language Model，MLM）任务中，我们需要预测一些被遮蔽的词语。下面是一个使用PyTorch实现的BERT MLM任务的代码示例：

import torch
import torch.nn as nn
from transformers import BertTokenizer, BertForMaskedLM

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

# 输入句子
sentence = "I love [MASK]."

# 分词
tokens = tokenizer.tokenize(sentence)

# 添加特殊标记 [CLS] 和 [SEP]
tokens = ['[CLS]'] + tokens + ['[SEP]']

# 将词语转换为索引
input_ids = tokenizer.convert_tokens_to_ids(tokens)

# 创建遮蔽掩码
mask_idx = tokens.index('[MASK]')
attention_mask = [1] * len(input_ids)
attention_mask[mask_idx] = 0

# 将输入转换为PyTorch张量
input_ids = torch.tensor([input_ids])
attention_mask = torch.tensor([attention_mask])

# 使用BERT模型进行预测
outputs = model(input_ids, attention_mask=attention_mask)
masked_lm_logits = outputs.logits

# 获取预测结果
masked_token_logits = masked_lm_logits[0, mask_idx]
predicted_token_id = torch.argmax(masked_token_logits).item()
predicted_token = tokenizer.convert_ids_to_tokens([predicted_token_id])[0]

print("Predicted token:", predicted_token)

在上面的示例中，我们使用了Hugging Face的transformers库来加载预训练的BERT模型和分词器。首先，我们从预训练的BERT模型中加载了bert-base-uncased模型和相应的分词器。然后，我们提供了一个句子作为输入，对其进行分词并添加特殊标记[CLS]和[SEP]。接下来，我们将分词后的输入转换为BERT模型所需的输入张量，并创建了一个遮蔽掩码，将遮蔽位置的注意力掩码设置为0。最后，我们使用BERT模型对输入进行预测，并获取了被遮蔽位置的预测结果。

请注意，上述代码示例中使用的是bert-base-uncased模型，该模型适用于小写字母的英文文本。如果你需要处理其他语言或希望使用不同的BERT模型，可以根据需要更改model_name变量，并下载相应的模型和分词器。