1.一种基于水印嵌入的神经网络模型的版权验证方法，其特征在于，包括以下步骤：获取水印图像数据集，其中，所述水印图像数据集包括若干个水印图像，每个水印图像均有相对应的分类标签数据；

提取所述水印图像数据集中若干个水印图像作为原始触发集，对所述原始触发集进行奇异值分解处理，获取触发集样本；

提取所述原始触发集中的水印图像对应的分类标签数据，将所述分类标签数据与所述触发集样本进行逐个对应，获取触发集；

将所述水印图像数据集以及所述触发集输入至待嵌入水印的神经网络模型中，对所述神经网络模型进行若干次训练，获取目标神经网络模型；

响应于用户的模型版权验证指令，所述模型版权验证指令包括所述触发集，将所述触发集输入至所述目标神经网络模型中，获取分类结果，根据所述触发集中的水印图像、相对应的分类标签数据以及分类结果，获取所述目标神经网络模型输出的验证结果。

2.根据权利要求1所述的神经网络模型的水印嵌入以及验证方法，其特征在于，所述将所述水印图像数据集以及所述触发集输入至待嵌入水印的神经网络模型中，对所述神经网络模型进行若干次训练，获取目标神经网络模型，包括步骤：根据所述水印图像数据集以及第一损失计算算法，获取与所述水印图像数据集的相关的第一损失数据，其中，所述第一损失计算算法为：式中，Loss1为所述第一损失数据；I为所述水印图像数据集中分类任务类别的个数；yi表示类别i的指示变量；pi表示预测的标签属于类别i的预测概率；

根据所述触发集以及第二损失计算算法，获取与所述触发集的相关的第二损失数据，其中，所述第二损失计算算法为：

式中，Loss1为所述第二损失数据；M为所述触发集中分类任务类别的个数；yi表示类别i的指示变量；pi表示预测的标签属于类别i的预测概率；k为水印嵌入权重参数；

将所述第一损失数据与所述第二损失数据进行叠加，获取所述神经网络模型的总损失数据，根据所述损失数据，对所述神经网络模型进行若干次训练，直到所述神经网络模型收敛，获取目标神经网络模型。

3.根据权利要求1所述的神经网络模型的水印嵌入以及验证方法，其特征在于，所述响应于用户的模型版权验证指令，所述模型版权验证指令包括所述触发集，将所述触发集输入至所述目标神经网络模型中，获取分类结果，根据所述触发集中的水印图像、相对应的分类标签数据以及分类结果，获取所述目标神经网络模型输出的验证结果，包括步骤：根据所述分类结果、所述触发集中的水印图像相对应的分类标签数据以及分类误差算法，获取误差数据，其中所述分类误差算法为：式中，E为所述分类误差算法的输出结果；K为所述触发集中的水印图像总数量，Mp(xi)为所述分类结果；zi为所述触发集中的水印图像对应的分类标签数据；Δ为二值函数；

根据所述误差数据以及预设的误差阈值，当所述误差数据小于所述误差阈值，获取验证成功结果；当所述误差数据大于所述误差阈值，获取验证失败结果。

4.一种基于水印嵌入的神经网络模型的版权验证装置，其特征在于，包括：获取模块，用于获取水印图像数据集，其中，所述水印图像数据集包括若干个水印图像，每个水印图像均有相对应的分类标签数据；

第一提取模块，用于提取所述水印图像数据集中若干个水印图像作为原始触发集，对所述原始触发集进行奇异值分解处理，获取触发集样本；

第二提取模块，用于提取所述原始触发集中的水印图像对应的分类标签数据，将所述分类标签数据与所述触发集样本进行逐个对应，获取触发集；

训练‑嵌入模块，用于将所述水印图像数据集以及所述触发集输入至待嵌入水印的神经网络模型中，对所述神经网络模型进行若干次训练，获取目标神经网络模型；

验证模块，用于响应于用户的模型版权验证指令，所述模型版权验证指令包括所述触发集，将所述触发集输入至所述目标神经网络模型中，获取分类结果，根据所述触发集中的水印图像、相对应的分类标签数据以及分类结果，获取所述目标神经网络模型输出的验证结果。

5.一种设备，其特征在于，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的基于水印嵌入的神经网络模型的版权验证装置的步骤。

6.一种存储介质，其特征在于：所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的基于水印嵌入的神经网络模型的版权验证装置的步骤。