BERT模型可以用于学习新任务，这可以通过以下步骤实现：

1. 准备数据集：为新任务准备一个标注好的数据集。数据集应包含输入文本和相应的标签或目标，以便BERT模型进行监督学习。

2. 数据预处理：将输入文本转换为适合BERT模型输入的格式。这通常包括将文本分割为句子和标记化。

下面是一个示例代码，展示如何使用Hugging Face的transformers库来使用BERT模型进行文本分类任务：

from transformers import BertTokenizer, BertForSequenceClassification
import torch

# 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)

# 准备数据集
text = ["This is an example sentence.", "Another example sentence."]
labels = [0, 1]

# 数据预处理
input_ids = []
attention_masks = []

for sentence in text:
    encoded_dict = tokenizer.encode_plus(
                        sentence,
                        add_special_tokens = True,  # 添加特殊标记（如[CLS]和[SEP]）
                        max_length = 64,  # 控制输入文本的最大长度
                        pad_to_max_length = True,  # 填充/截断至最大长度
                        return_attention_mask = True,  # 生成attention mask
                        return_tensors = 'pt',  # 返回PyTorch张量
                   )
    
    input_ids.append(encoded_dict['input_ids'])
    attention_masks.append(encoded_dict['attention_mask'])

input_ids = torch.cat(input_ids, dim=0)
attention_masks = torch.cat(attention_masks, dim=0)
labels = torch.tensor(labels)

# 训练模型
optimizer = torch.optim.AdamW(model.parameters(), lr=1e-5)

model.train()

for epoch in range(3):
    outputs = model(input_ids, attention_mask=attention_masks, labels=labels)
    loss = outputs.loss
    logits = outputs.logits
    
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

# 使用模型进行推理
model.eval()

with torch.no_grad():
    outputs = model(input_ids, attention_mask=attention_masks)
    logits = outputs.logits
    predictions = torch.argmax(logits, dim=1)
    
print(predictions)

这是一个简单的文本分类任务的示例代码，其中使用了BERT模型进行训练和推理。你可以根据你的具体任务对代码进行相应的修改和调整。