BERT模型是一个预训练的深度双向转换器模型，它的参数计算方法包括以下几个步骤：

1. 初始化参数：使用随机初始化的方法，为BERT模型的各个层的参数进行初始化。

2. 构建模型：根据BERT模型的架构，构建模型的各个层，包括输入嵌入层、Transformer编码层和输出层。

3. 计算模型参数：通过反向传播算法，计算模型中各个参数的梯度。

4. 更新模型参数：使用优化算法（如Adam）根据计算得到的梯度，更新模型中的参数。

下面是一个使用PyTorch实现BERT模型并计算参数的示例代码：

import torch
from transformers import BertModel, BertConfig

# 初始化BERT模型的配置
config = BertConfig.from_pretrained('bert-base-uncased')

# 构建BERT模型
model = BertModel(config)

# 定义一个输入示例
input_ids = torch.tensor([[1, 2, 3, 4, 5]])

# 前向传播计算
outputs = model(input_ids)

# 计算参数数量
params = sum(p.numel() for p in model.parameters() if p.requires_grad)
print("Total trainable parameters: ", params)

在上面的示例代码中，我们首先使用BertConfig从预训练的BERT模型中加载配置，然后使用配置构建BERT模型。接下来，我们定义了一个输入示例input_ids，并将其传入模型进行前向传播计算，得到输出outputs。最后，我们使用Python的sum函数和torch.Tensor的numel方法，统计了模型中可训练参数的数量，并打印输出。

需要注意的是，这个示例代码只展示了如何计算BERT模型中的参数数量，并没有进行实际的参数更新。在实际使用中，还需要结合训练数据和损失函数，通过反向传播算法更新模型参数。