要使用BERT模型获取类别的重要特征，你可以按照以下步骤进行操作：

1. 安装所需的库：首先，确保你已经安装了transformers库，它是Huggingface团队提供的一个用于自然语言处理的库。你可以使用以下命令安装该库：

pip install transformers

2. 导入必要的库：导入所需的库，包括transformers和torch：

from transformers import BertModel, BertTokenizer
import torch

3. 加载BERT模型和tokenizer：使用BertModel类加载预训练的BERT模型，并使用BertTokenizer类加载相应的tokenizer：

model_name = 'bert-base-uncased'  # 或其他预训练的BERT模型
model = BertModel.from_pretrained(model_name)
tokenizer = BertTokenizer.from_pretrained(model_name)

4. 准备输入数据：对于你的具体任务，你需要将输入数据进行预处理，并将其转换为适合BERT模型输入的格式。下面是一个示例，假设你的输入是一个包含多个句子的列表：

sentences = ["This is the first sentence.", "This is another sentence."]

首先，使用tokenizer对句子进行编码，并添加特殊标记（如[CLS]和[SEP]）：

encoded_inputs = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

然后，将编码后的输入传递给BERT模型进行预测：

outputs = model(**encoded_inputs)

5. 获取类别的重要特征：BERT模型输出的outputs是一个包含多个张量的字典。要获取类别的重要特征，你可以使用last_hidden_state张量的相关部分。具体来说，你可以选择最后一个隐藏层的输出，并将其与你的类别层进行连接。下面是一个示例：

last_hidden_state = outputs.last_hidden_state
# 假设你有一个全连接层作为类别层
category_layer = torch.nn.Linear(last_hidden_state.shape[-1], num_categories)

# 将最后一个隐藏层的输出与类别层进行连接
category_features = category_layer(last_hidden_state[:, 0, :])  # 取CLS标记的隐藏状态作为特征

以上代码中，last_hidden_state[:, 0, :]选择了最后一个隐藏层的CLS标记的隐藏状态作为特征。你可以根据你的具体任务和需求进行适当的调整。

这只是一个简单的示例，具体的实现方式可能会因你的任务和需求而有所不同。你可以根据这个示例进行修改和调整，以满足你的具体需求。