1. 首先，需要确保系统中已经安装了PyTorch和Transformers库，并且已经下载了预训练模型。

2. 然后，定义BertTokenizer和BertModel，并加载预训练模型。

import torch
from transformers import BertTokenizer, BertModel

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

3. 接着，使用tokenizer对输入进行编码，并将编码后的输入传递给model进行推理。

input_text = "This is a sample input."
input_tokens = tokenizer.encode(input_text, add_special_tokens=True)
input_tensor = torch.tensor([input_tokens])

with torch.no_grad():
  model_output = model(input_tensor)

4. 最后，通过计算推理时间和数据大小，评估推理速度是否正常。

import time

start_time = time.time()
with torch.no_grad():
  model_output = model(input_tensor)
inference_time = time.time() - start_time

input_size = input_tensor.element_size() * input_tensor.nelement()
print(f"Inference speed: {input_size/1024/1024/inference_time:.2f} MB/s")

如果输出结果接近预期值，则Bert Pretrained Model在PyTorch中的推理速度正常。