BERT其中的一个重要作用是可以生成词向量，它可以解决word2vec中无法解决的一词多义问题。
然而BERT获取词向量的门槛要比word2vec要高得多。笔者在这里介绍一下如何获取BERT的词向量。
笔者在获取BERT词向量的时候用到了肖涵博士的bert-as-service，具体使用方式如下。
- 环境要求：python版本>=3.5,tensorflow版本>=1.10（笔者使用的是1.12）
- 相关包的安装：pip install bert-serving-server; pip install bert-serving-client
- 下载训练好的BERT中文模型：https://storage.googleapis.com/bert_models/2018_11_03/chinese_L-12_H-768_A-12.zip
- 启动bert-as-service :在cmd窗口进入bert-serving-start.exe所在的文件夹，在该文件路径下输入bert-serving-start -model_dir E:/chinese_L-12_H-768_A-12 -num_worker=2（训练好的中文模型路径，num_worker的数量可以自行选择），如果成功开启则出现以下界面
接着可以在pycharm终端写入以下代码：
-
from bert_serving.client
import BertClient
-
bc = BertClient()
-
print(bc.encode([
'中国',
'美国']))
可得到词向量为（词向量的维度为768）：
获取完BERT词向量后就可以结合CNN、RNN等模型来实现自己的任务。在博客写作的过程中参考以下网址：
BERT其中的一个重要作用是可以生成词向量，它可以解决word2vec中无法解决的一词多义问题。