在BERT模型中，每个输入序列会经过多层的Transformer进行处理，最终会得到两种输出：汇聚输出和序列输出。汇聚输出是通过对输入序列的所有词向量进行池化操作得到的一个固定长度的向量，而序列输出是指每个位置的词向量经过一层全连接层得到的输出。

下面是使用Hugging Face的transformers库来获取BERT模型的汇聚输出和序列输出的代码示例：

from transformers import BertTokenizer, BertModel

# 加载BERT模型和分词器
model_name = 'bert-base-uncased'
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertModel.from_pretrained(model_name)

# 输入文本
text = "Hello, how are you?"

# 分词
tokens = tokenizer.tokenize(text)
input_ids = tokenizer.convert_tokens_to_ids(tokens)
input_ids = torch.tensor(input_ids).unsqueeze(0)  # 添加batch维度

# 获取汇聚输出和序列输出
outputs = model(input_ids)
pooler_output = outputs.pooler_output  # 汇聚输出
sequence_output = outputs.last_hidden_state  # 序列输出

# 打印第一个词的向量
print("First vector in pooler output:", pooler_output[:, 0])
print("First vector in sequence output:", sequence_output[:, 0])

上述代码首先加载了BERT模型和分词器，然后将输入文本进行分词并转换为模型的输入格式。接下来，通过将输入序列输入到BERT模型中，可以获得模型的输出。outputs.pooler_output表示汇聚输出，outputs.last_hidden_state表示序列输出。最后，可以打印汇聚输出和序列输出中第一个词的向量。

需要注意的是，上述代码使用了Hugging Face的transformers库，因此需要提前安装该库。可以通过pip install transformers命令进行安装。另外，代码中的model_name可以根据具体的BERT模型进行修改。