对于预训练模型的微调，一个常见的例子是使用BERT模型进行情感分析任务。以下是一个使用Python和Transformers库进行BERT模型微调的基本步骤：

首先，安装必要的库，包括transformers和torch:

pip install transformers torch

以下是微调代码的例子：

from transformers import BertTokenizer, BertForSequenceClassification
from torch.utils.data import DataLoader, RandomSampler, SequentialSampler
from torch.optim import AdamW
import torch

# 1. 加载预训练的tokenizer和模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertForSequenceClassification.from_pretrained(
    "bert-base-uncased", # 使用12层的BERT模型
    num_labels = 2, # 二分类任务（比如情感分析）
    output_attentions = False, # 模型是否返回注意力权重
    output_hidden_states = False, # 模型是否返回所有隐藏状态
)

# 2. 准备数据
# 假设我们有一些文本数据和对应的标签
texts = ['I love this movie!', 'I hate this movie!']
labels = [1, 0]  # 1代表积极情绪，0代表消极情绪

# 使用tokenizer处理文本数据
inputs = tokenizer(texts, padding=True, truncation=True, max_length=512, return_tensors='pt')

# 把标签转换成Tensor
labels = torch.tensor(labels)

# 3. 创建一个DataLoader
data = list(zip(inputs['input_ids'], inputs['attention_mask'], labels))
dataloader = DataLoader(data, batch_size=2)

# 4. 微调模型
# 设置优化器
optimizer = AdamW(model.parameters(), lr=1e-5)

# 开始训练
model.train()
for epoch in range(3):  # 这里只做3个epoch的训练
    for batch in dataloader:
        input_ids, attention_mask, labels = batch
        outputs = model(input_ids, attention_mask=attention_mask, labels=labels)
        loss = outputs.loss
        loss.backward()
        optimizer.step()
        optimizer.zero_grad()

# 5. 保存微调后的模型
model.save_pretrained('./my_model')

在这个例子中，我们首先加载了预训练的BERT模型和对应的tokenizer。然后，我们准备了一些文本数据和对应的标签，使用tokenizer处理文本数据，然后创建了一个DataLoader。接下来，我们设置了优化器，开始训练模型。最后，我们保存了微调后的模型。

请注意，这只是一个非常基础的例子，实际上在进行模型微调时，你可能需要处理更复杂的数据，选择合适的损失函数和优化器，以及进行模型性能的评估等等。你可以查看Transformers库的文档和示例来获取更多信息。