要使用BERT进行命名实体识别（NER），可以使用Hugging Face的Transformers库。以下是一个使用BERT进行NER的Python代码示例：

首先，确保已经安装了Transformers库。可以使用以下命令进行安装：

pip install transformers

接下来，导入所需的库和模型：

from transformers import BertTokenizer, BertForTokenClassification
import torch

# 加载预训练的BERT模型和tokenizer
model = BertForTokenClassification.from_pretrained('bert-base-uncased')
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')

# 加载标签到ID的映射
label_map = {
    0: "O", 1: "B-MISC", 2: "I-MISC",
    3: "B-PER", 4: "I-PER", 5: "B-ORG", 6: "I-ORG",
    7: "B-LOC", 8: "I-LOC"
}

# 设置设备为GPU（如果可用）
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)

接下来，定义一个函数来处理NER任务：

def ner(text):
    # 将文本分成单词，并添加特殊标记
    input_ids = tokenizer.encode(text, add_special_tokens=True)
    # 将输入转换为PyTorch张量
    input_ids = torch.tensor([input_ids]).to(device)

    # 使用BERT模型进行前向传播
    with torch.no_grad():
        outputs = model(input_ids)
    logits = outputs[0]

    # 获取预测的标签
    preds = torch.argmax(logits, dim=2).squeeze().tolist()

    # 将预测的标签转换为实体
    entities = []
    for i, word_id in enumerate(input_ids[0]):
        if word_id.item() == tokenizer.cls_token_id:
            continue
        elif word_id.item() == tokenizer.sep_token_id:
            break
        else:
            entities.append((tokenizer.convert_ids_to_tokens([word_id])[0], label_map[preds[i]]))

    return entities

最后，可以使用以下代码示例来对文本进行NER：

text = "Apple Inc. is looking to buy a startup in China for $1 billion"
entities = ner(text)
for entity in entities:
    print(entity)

这将输出识别到的实体及其对应的标签，例如：

('Apple', 'B-ORG')
('Inc', 'I-ORG')
('China', 'B-LOC')
('$', 'O')
('1', 'O')
('billion', 'O')

请注意，这只是一个简单的示例，并且对于更复杂的NER任务，可能需要进行更多的预处理和后处理操作。