BERT模型的CLS值表示整个句子的特征。它是通过对BERT模型中的[CLS]令牌进行编码得到的。CLS值可以用于下游任务，如文本分类、情感分析等。

在Python中，我们可以使用Hugging Face的Transformers库加载预训练的BERT模型和分词器。通过分词器，我们可以将输入文本转换为可以输入模型的张量。在此基础上，我们可以通过model对象获取各种应用于BERT模型的属性，包括CLS向量。

下面的代码示例展示了如何使用Transformers库加载BERT模型和分词器，并获取一组句子的CLS向量。

from transformers import BertTokenizer, BertModel
import torch

# 加载BERT分词器和模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertModel.from_pretrained('bert-base-uncased', output_hidden_states=True)

# 输入句子
sentences = ['This is the first sentence.', 'This one is the second.']

# 使用分词器将输入转化为模型输入格式
input_ids = torch.tensor([tokenizer.encode(sent) for sent in sentences])

# 获取模型输出
with torch.no_grad():
    output = model(input_ids)

# 提取最后一层的CLS向量
cls_vector = output.last_hidden_state[:, 0, :]
print(cls_vector)

运行上述代码，可以得到一组带有CLS值的张量。CLS向量的范围是正负无穷，可以通过torch.min()和torch.max()函数获取其最小值和最大值。

cls_vector_min = torch.min(cls_vector)
cls_vector_max = torch.max(cls_vector)
print('CLS向量的最小值：', cls_vector_min)
print('CLS向量的最大值：', cls_vector_max)

输出结果如下：

tensor([[ 0.1857, -0