BERT遮蔽语言模型（BERT Masked Language Model）是一种基于预训练的深度学习模型，用于填充句子中被遮蔽（mask）的单词。下面是一个使用PyTorch实现BERT遮蔽语言模型的示例代码：

import torch
from pytorch_transformers import BertTokenizer, BertForMaskedLM

# 加载BERT模型和tokenizer
model_name = 'bert-base-uncased'  # 使用BERT的小写版本
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertForMaskedLM.from_pretrained(model_name)

# 输入句子
sentence = "I want to [MASK] a new car."

# 分词
tokenized_text = tokenizer.tokenize(sentence)
# 添加特殊标记
tokenized_text = ['[CLS]'] + tokenized_text + ['[SEP]']
# 转换成BERT词汇表中的索引
indexed_tokens = tokenizer.convert_tokens_to_ids(tokenized_text)
# 创建输入张量
tokens_tensor = torch.tensor([indexed_tokens])

# 预测遮蔽的单词
model.eval()
with torch.no_grad():
    predictions = model(tokens_tensor)

# 获取遮蔽位置的预测结果
masked_index = tokenized_text.index('[MASK]')
predicted_index = torch.argmax(predictions[0, masked_index]).item()
predicted_token = tokenizer.convert_ids_to_tokens([predicted_index])[0]

print("原句:", sentence)
print("预测结果:", predicted_token)

输出结果示例：

原句: I want to [MASK] a new car.
预测结果: buy

在这个示例中，我们首先加载了预训练的BERT模型和tokenizer。然后，我们使用tokenizer将输入句子进行分词，并添加特殊标记（[CLS]和[SEP]）。接下来，我们将分词后的句子转换为BERT词汇表中的索引，并创建输入张量。然后，我们使用模型对遮蔽位置的单词进行预测，通过argmax函数找到概率最大的词，并使用tokenizer将索引转换为单词。最后，我们将原句和预测结果打印出来。