帮我利用pytorch和Bert，写一个提取文本特征的神经网络网络，并给出代码

好的，我可以回答这个问题。以下是一个使用 PyTorch 和 BERT 的文本特征提取神经网络的示例代码：

import torch
from transformers import BertModel, BertTokenizer

class TextFeatureExtractor(torch.nn.Module):
    def __init__(self, bert_model_name='bert-base-chinese', output_dim=768):
        super(TextFeatureExtractor, self).__init__()
        self.bert = BertModel.from_pretrained(bert_model_name)
        self.tokenizer = BertTokenizer.from_pretrained(bert_model_name)
        self.output_dim = output_dim

    def forward(self, text):
        input_ids = torch.tensor(self.tokenizer.encode(text, add_special_tokens=True)).unsqueeze()
        outputs = self.bert(input_ids)
        last_hidden_state = outputs[]
        pooled_output = last_hidden_state.mean(dim=1)
        features = pooled_output.view(-1, self.output_dim)
        return features

这个神经网络使用了 BERT 模型来提取文本特征，其中 `bert_model_name` 参数指定了使用的 BERT 模型的名称，`output_dim` 参数指定了输出的特征维度。在 `forward` 方法中，我们首先使用 BERT 的 tokenizer 将输入的文本转换为 token，然后将 token 传入 BERT 模型中，得到最后一层的隐藏状态 `last_hidden_state`，并对其进行平均池化操作，得到一个表示整个文本的向量 `pooled_output`，最后将其 reshape 成指定的特征维度 `output_dim`，作为网络的输出。

你可以根据自己的需求修改这个神经网络的参数和结构，例如增加更多的全连接层来进行分类任务。