为了获得相同的输出向量，你可以尝试使用相同的预训练模型和参数。在这个例子中，你可以使用BERT模型。以下是使用Hugging Face的transformers库加载预训练的BERT模型并生成相同句子的输出向量的示例代码：

from transformers import BertTokenizer, BertModel
import torch

# 加载预训练的BERT模型和分词器

tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertModel.from_pretrained('bert-base-uncased')

# 输入句子

sentence = "hello world"

# 对句子进行分词并转换为Tensor

input_ids = tokenizer.encode(sentence, return_tensors='pt')

# 获取模型的输出

with torch.no_grad():
    outputs = model(input_ids)

# 提取输出向量的第一个元素(CLS标记的输出)

output_vector = outputs[0][0, 0, :].numpy()

print("输出向量：", output_vector)

这段代码将使用预训练的BERT模型('bert-base-uncased')对输入句子进行编码，并提取CLS标记的输出作为输出向量。这样，即使输入相同的句子，输出向量也会保持一致。

你好，我正在适应这段代码，你能告诉我你是如何进行修改的吗？我对编程并不熟悉，但我需要完成这个任务。

我也有同样的问题。同样的输入，但每次都有不同的输出。我很困惑。你解决了吗？还是这是正常的？

@hairzooc,这是由于丢弃引起的。

@arcral是正确的，您必须在评估模式下将dropout设置为零：bert_model.eval()或者您可以通过在每一层手动设置dropout属性来实现。

我发现这是由于do_lower_case = True引起的。对于多语言模型，这个选项应该是False。感谢您的帮助：)