要使用BERT嵌入来计算语义相似度，可以按照以下步骤进行：

1. 安装必要的库：为了运行BERT模型并进行嵌入，需要安装transformers库。可以使用以下命令进行安装：

pip install transformers

2. 导入必要的库和模型：导入transformers库中的BERT模型和tokenizer。

from transformers import BertTokenizer, BertModel

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

3. 准备输入文本：准备需要计算相似度的两个文本。

text1 = "I love coding"
text2 = "I enjoy programming"

4. 对输入文本进行tokenize和编码：使用tokenizer对文本进行tokenize，并将其编码为模型可以接受的输入格式。

# 对文本进行tokenize和编码
inputs = tokenizer([text1, text2], return_tensors='pt', padding=True, truncation=True)

5. 使用BERT模型获取嵌入：使用BERT模型对编码后的输入进行前向传播，获取嵌入向量。

# 使用BERT模型获取嵌入
outputs = model(**inputs)
embeddings = outputs.last_hidden_state

6. 计算嵌入向量之间的相似度：可以使用余弦相似度等方法计算两个嵌入向量之间的相似度。

import torch.nn.functional as F

# 计算两个嵌入向量之间的余弦相似度
similarity = F.cosine_similarity(embeddings[0], embeddings[1]).item()
print("Similarity:", similarity)

以上就是使用BERT嵌入计算语义相似度的解决方法，包含了代码示例。请注意，这只是一个简单的示例，实际应用中可能需要进行更多的预处理和后处理步骤。