BERT的参数量非常大，总共有1.1亿个参数。BERT模型采用了深度双向Transformer网络，其中包含了多个编码器层和多个自注意力机制头。具体来说，BERT-Base模型有12个编码器层，每个编码器层有12个自注意力机制头，共计144个头。每个注意力头都有768维的隐藏表示。因此，每个编码器层的参数量为(768 x 768 x 2) x 12 = 1100万个参数。BERT-Large模型则更加庞大，包含24个编码器层，每个编码器层有16个自注意力机制头，总计384个头。所以BERT-Large模型的参数量为(768 x 768 x 2) x 24 = 2.2亿个参数。

  需要注意的是，上述参数量是基于BERT的原始版本计算的，实际使用中可能会在此基础上进行改动和优化，导致实际的参数量有所变化。同时，参数量的多少也与具体的模型架构和超参数选择有关。总的来说，BERT的参数量巨大，因此训练和使用BERT需要庞大的计算资源。