BERT模型中的词嵌入是通过将输入单词转换为向量表示的方式来进行的。一种固定BERT模型的词嵌入的方法是将BERT模型的所有参数设置为不可训练的，从而保持其固定不变。下面是一个示例代码，展示如何使用Hugging Face库中的Transformers库中的BERT模型，并将其零层固定为不可训练的。

from transformers import BertModel, BertTokenizer, BertConfig
import torch

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

# 将所有参数设置为不可训练
for param in model.parameters():
    param.requires_grad = False

# 输入文本
input_text = "Hello, how are you?"

# 使用tokenizer将文本转换为BERT模型的输入
input_ids = tokenizer.encode(input_text, add_special_tokens=True)
input_ids = torch.tensor(input_ids).unsqueeze(0)  # 添加batch维度

# 使用BERT模型获取词嵌入
with torch.no_grad():
    embeddings = model(input_ids)[0]

print(embeddings)

在这个示例中，我们首先加载了BERT模型和tokenizer。然后，我们将模型的所有参数设置为不可训练，通过将参数的requires_grad属性设置为False。接下来，我们选择一句输入文本，并使用tokenizer将其转换为BERT模型的输入。最后，我们使用BERT模型获取词嵌入，并打印出结果。

需要注意的是，在这个示例中，我们使用了Hugging Face库中的Transformers库来加载和使用BERT模型。如果你还没有安装这个库，可以通过执行pip install transformers来进行安装。