在BERT模型的构建过程中，填充（padding）是一个重要的步骤，用于确保输入序列具有相同的长度。以下是一个示例代码，演示了如何在BERT模型中进行填充。

首先，我们需要导入所需的库和模块：

import torch
from transformers import BertTokenizer, BertModel

然后，我们实例化一个BERT tokenizer和模型：

tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertModel.from_pretrained('bert-base-uncased')

接下来，我们定义一个输入文本列表：

texts = ['Hello, how are you?', 'I am doing great!', 'BERT is awesome.']

然后，我们使用tokenizer将文本转换为BERT模型可接受的输入格式，并将其填充为相同的长度：

max_length = max(len(tokenizer.encode(text)) for text in texts)  # 找到最长的文本长度
input_ids = []
attention_masks = []

for text in texts:
    encoded_text = tokenizer.encode(text, add_special_tokens=True, max_length=max_length)  # 将文本编码，并添加特殊标记
    input_ids.append(encoded_text)
    attention_masks.append([1] * len(encoded_text))

# 将input_ids和attention_masks转换为PyTorch张量
input_ids = torch.tensor(input_ids)
attention_masks = torch.tensor(attention_masks)

在上述代码中，我们使用了tokenizer.encode函数将每个文本转换为BERT模型可接受的输入格式。添加add_special_tokens=True参数可以确保在输入序列的开头和结尾添加[CLS]和[SEP]特殊标记。

注意，我们还创建了一个attention_masks列表，其中每个元素都是相同长度的1列表。这是因为BERT模型中的注意力机制需要知道哪些标记是实际的输入，哪些是填充的。

最后，我们可以将input_ids和attention_masks传递给BERT模型进行推理：

outputs = model(input_ids, attention_mask=attention_masks)

这样，我们就完成了BERT模型构建中填充过程的澄清，同时提供了代码示例。