在Bert模型中，汇集输出（pooled output）和序列输出（sequence output）是两种不同的表示方式。

1. 汇集输出：汇集输出是Bert模型的最后一层中，对应于[CLS]标记的输出向量。这个向量通过一个线性层进行映射和转换，得到一个固定长度的向量表示整个句子的语义信息。该向量可以用于句子分类任务或句子级别的语义理解。

2. 序列输出：序列输出是Bert模型的最后一层中，对应于输入序列中每个token的输出向量。这个向量保留了每个token在输入序列中的位置信息和上下文关系。该向量可以用于词级别的语义理解、命名实体识别、文本生成等任务。

下面是使用Hugging Face库中的transformers包来获取Bert模型中的汇集输出和序列输出的示例代码：

from transformers import BertModel, BertTokenizer

# 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 = tokenizer.build_inputs_with_special_tokens(input_ids)

# 转换为模型输入格式
input_ids = torch.tensor([input_ids])
attention_mask = torch.ones_like(input_ids)

# 前向传播
outputs = model(input_ids=input_ids, attention_mask=attention_mask)

# 获取汇集输出和序列输出
pooled_output = outputs.pooler_output
sequence_output = outputs.last_hidden_state

print("汇集输出形状：", pooled_output.shape)
print("序列输出形状：", sequence_output.shape)

在上面的代码中，通过BertModel加载了预训练的Bert模型，并使用BertTokenizer对输入文本进行分词。然后将分词后的输入转换为模型输入格式，包括输入的token ids和attention mask。通过模型的前向传播，可以得到输出中的汇集输出和序列输出。

请注意，上述示例代码中使用了PyTorch和Hugging Face的transformers库。如果您使用其他深度学习框架或Bert的其他实现，代码可能会有所不同。