如果在 BERT 训练期间没有精度或召回率的变化，有以下几个可能的原因：

1. 数据集的标注存在问题，导致模型无法学习准确的类别和特征。
2. 模型的学习率（learning rate）设置过低或过高，导致模型无法收敛或过拟合。
3. 数据集中不平衡的类别分布可能影响评估指标。
4. 模型架构或参数不适合数据集和任务，因此需要进行调整和优化。

针对这个问题，我们可以尝试以下调整方法：

1. 检查数据集的标注是否正确，尝试修改标注，并重新训练模型。
2. 调整学习率的大小，并观察模型在验证集上的性能。
3. 使用 F1-score 等更合适的评估指标，并考虑对数据集进行重新采样或数据增强操作。
4. 使用其他预训练模型或自定义模型来获得更好的性能。

参考代码：

1. 调整学习率

from transformers import AdamW
from transformers import get_linear_schedule_with_warmup

optimizer = AdamW(model.parameters(), lr=5e-5, eps=1e-8)
scheduler = get_linear_schedule_with_warmup(optimizer, num_warmup_steps=0, 
                     num_training_steps=num_train_optimization_steps)

2. 使用 F1-score

from sklearn.metrics import f1_score

outputs = model(inputs)
_, predicted = torch.max(outputs, 1)
f1_score(y_true, predicted, average='weighted')

3. 数据增强

from nlpaug.augmenter.sentence import ContextualWordEmbsForSentenceAug

aug = ContextualWordEmbsForSentenceAug(model_path='bert-base-