1.一种无损神经网络模型的隐写方法，其特征在于，包括以下步骤：

S1、获取神经网络模型参数相对损失函数的偏导数，设置修改阈值，根据偏导数与修改阈值的大小关系将神经网络模型参数区分为可修改参数和不可修改参数；

S2、预处理过程：将多维的神经网络模型参数进行降维，转换为一维向量形式的神经网络模型参数；设置判决阈值，将一维向量形式的神经网络模型参数通过判决阈值转换为二进制序列；

S3、嵌入过程：通过湿纸编码将二进制序列、秘密信息、伪随机奇偶校验矩阵生成含密二进制序列；

S4、通过二进制转换和降维处理的逆过程，将含密二进制序列恢复为正常神经网络模型参数形式，代替原始神经网络模型参数完成模型原始任务。

2.根据权利要求1所述的一种无损神经网络模型的隐写方法，其特征在于，通过梯度信息获得神经网络模型参数相对损失函数的偏导数。

3.根据权利要求1所述的一种无损神经网络模型的隐写方法，其特征在于，将偏导数进行归一化，偏导数的取值范围为[0,1]。

4.根据权利要求1所述的一种无损神经网络模型的隐写方法，其特征在于，根据偏导数生成COST向量，若偏导数大于修改阈值，通过所述COST向量将偏导数对应的神经网络模型参数设置为不可修改参数；若偏导数小于等于修改阈值的偏导数，通过所述COST向量将偏导数对应的神经网络模型参数设置为可修改参数。

5.根据权利要求4所述的一种无损神经网络模型的隐写方法，其特征在于，将可修改参数标记为1，不可修改参数标记为无穷大。

6.根据权利要求1所述的一种无损神经网络模型的隐写方法，其特征在于，将大于判决阈值的一维向量形式的神经网络模型参数的数值设为1，将小于等于判决阈值的一维向量形式的神经网络模型参数的数值设为0，得到由1和0组成的二进制序列。

7.根据权利要求6所述的一种无损神经网络模型的隐写方法，其特征在于，可修改参数的数值可能由1变为0或由0变为1也可能不被修改，不可修改参数在嵌入过程中不会被修改。

8.根据权利要求1所述的一种无损神经网络模型的隐写方法，其特征在于，二进制转换的逆过程包括：对于正常模型参数形式中未被修改参数，直接使用；对于被修改的参数，通过设置修改幅度方法，使恢复后的含密参数值与原始参数值接近。

9.根据权利要求8所述的一种无损神经网络模型的隐写方法，其特征在于，所述修改幅度方法包括：若含密参数为0，将其修改为判决阈值，若含密参数为1，则将其修改为大于判决阈值并在设定范围的值。

10.一种基于无损神经网络模型隐写的提取方法，其特征在于，所述提取方法应用于权利要求1‑8中任一所述的无损神经网络模型的隐写方法，首先通过接收者接收到发送者传输的含密模型后，提取出含密模型参数，再通过降维和二进制转换得到含密二进制序列，将含密二进制序列与伪随机奇偶校验矩阵计算后，提取出秘密信息。