BERT模型中的词嵌入大小通常是指每个词在BERT模型中的表示维度。BERT模型默认使用768维的词嵌入大小。词嵌入的范数表示了词向量的大小，即词向量的平方和开根号。

BERT模型提供了预训练好的模型，可以直接使用。以下是使用Hugging Face库中的transformers库加载BERT模型，并获取词嵌入的大小和范数的代码示例：

from transformers import BertModel, BertTokenizer

# 加载BERT模型和分词器
model_name = 'bert-base-uncased'
model = BertModel.from_pretrained(model_name)
tokenizer = BertTokenizer.from_pretrained(model_name)

# 获取词嵌入的大小
embedding_size = model.config.hidden_size
print("Embedding size:", embedding_size)

# 获取词嵌入的范数
word = "apple"
input_ids = tokenizer.encode(word, add_special_tokens=True)
input_ids = torch.tensor([input_ids])
outputs = model(input_ids)
word_embedding = outputs.last_hidden_state[:, 1:-1, :]
word_norm = torch.norm(word_embedding)
print("Word norm:", word_norm.item())

在上述代码中，我们首先加载了BERT模型和分词器。然后，我们使用分词器将单词"apple"转换为对应的输入编码。我们通过将输入编码传递给BERT模型来获取词嵌入。最后，我们计算词嵌入的范数，并输出结果。

请注意，上述代码中的torch表示使用PyTorch库。如果您尚未安装PyTorch和transformers库，您需要使用以下命令进行安装：

pip install torch
pip install transformers

这样就可以获取BERT词嵌入的大小和范数的意义。