BERT模型的输入是基于令牌的，而不是基于整个句子的。BERT模型将输入文本分解为一个个令牌（token），然后对每个令牌进行嵌入（embedding）处理。

以下是使用Python和Hugging Face的Transformers库来生成BERT嵌入的示例代码：

from transformers import BertTokenizer, BertModel

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

# 输入文本
text = "This is an example sentence."

# 分词并添加特殊令牌
tokens = tokenizer.tokenize(text)
tokens = ['[CLS]'] + tokens + ['[SEP]']

# 将令牌转换为对应的ID
input_ids = tokenizer.convert_tokens_to_ids(tokens)

# 将ID转换为PyTorch张量
input_tensor = torch.tensor([input_ids])

# 生成BERT嵌入
with torch.no_grad():
    outputs = model(input_tensor)
    embeddings = outputs[0][0]  # 取出第一层BERT嵌入

# 打印嵌入向量
for i, token in enumerate(tokens):
    print(token, embeddings[i])

上述代码首先加载了预训练的BERT模型和分词器。然后，将输入文本分词，并在其前后添加特殊的标记（[CLS]和[SEP]）。接下来，将分词后的令牌转换为对应的ID，并将其转换为PyTorch张量。最后，通过将输入张量传递给BERT模型，可以获取每个令牌对应的嵌入向量。

需要注意的是，BERT模型的输出是一个元组，其中第一个元素是嵌入向量。在上述示例中，我们只获取了第一层BERT嵌入，但BERT模型还有多个嵌入层，可以根据具体需要选择。

总结起来，BERT模型的嵌入是基于令牌制作的，通过将输入文本分词为令牌并转换为对应的ID，然后传递给BERT模型以生成嵌入向量。