使用CLS向量进行分类的步骤如下：

1. 导入所需的库和模型：

from transformers import BertTokenizer, BertForSequenceClassification
import torch

2. 加载预训练的BERT模型和tokenizer：

tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertForSequenceClassification.from_pretrained('bert-base-uncased', num_labels=2)

这里的num_labels参数是分类任务的类别数，根据实际情况进行设置。

3. 准备文本数据并进行编码：

text = "这是一段要分类的文本"
inputs = tokenizer.encode_plus(text, add_special_tokens=True, truncation=True, max_length=512, padding='max_length', return_tensors='pt')

encode_plus方法将文本编码为BERT模型所需的输入格式。add_special_tokens=True表示添加特殊的开始和结束标记，truncation=True表示对文本进行截断，max_length指定了最大长度，padding='max_length'表示进行填充。

4. 使用模型进行预测：

outputs = model(**inputs)
logits = outputs.logits

**inputs将编码后的输入传递给模型。outputs.logits得到模型的输出，即分类的预测得分。

5. 获取分类结果：

predictions = torch.argmax(logits, dim=1)

torch.argmax方法返回最大值的索引，即预测的类别。

完整的代码示例如下：

from transformers import BertTokenizer, BertForSequenceClassification
import torch

tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertForSequenceClassification.from_pretrained('bert-base-uncased', num_labels=2)

text = "这是一段要分类的文本"
inputs = tokenizer.encode_plus(text, add_special_tokens=True, truncation=True, max_length=512, padding='max_length', return_tensors='pt')

outputs = model(**inputs)
logits = outputs.logits
predictions = torch.argmax(logits, dim=1)

print(predictions)

这段代码使用了预训练的BERT模型对输入文本进行分类，并打印了预测的结果。