下面是一个使用BERT分类器来预测每个标签的概率的示例代码：

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)

# 输入的文本
text = "This is an example sentence."

# 使用tokenizer对文本进行编码
input_ids = tokenizer.encode(text, add_special_tokens=True)
input_ids = torch.tensor(input_ids).unsqueeze(0)  # 添加batch维度

# 使用BERT模型进行预测
outputs = model(input_ids)
logits = outputs.logits
probabilities = torch.softmax(logits, dim=1)

# 获取每个标签的预测概率
label_probabilities = probabilities[0].tolist()

# 输出每个标签的预测概率
label_names = ["Label 1", "Label 2"]
for label, prob in zip(label_names, label_probabilities):
    print(f"{label}: {prob}")

在上面的示例中，我们首先使用BertTokenizer加载预训练的BERT模型的tokenizer。然后，我们使用BertForSequenceClassification加载预训练的BERT模型，并指定分类器的类别数（即标签数）。接下来，我们将输入文本编码为BERT的输入格式，并将其传递给模型进行预测。模型的输出是logits，我们可以使用softmax函数将其转换为概率。最后，我们遍历每个标签和对应的概率，并将其打印出来。

请注意，上述代码中的示例是以二分类为例。如果有多个标签，你需要相应地修改num_labels以及label_names和label_probabilities的处理方式。