1.一种双密钥模型的版权认证方法，其特征在于，包括：获取测试样本，所述测试样本包含模型版权持有方优化后的样本水印，将优化后的样本水印作为密钥Ⅰ；

将所述测试样本输入至待验证的目标模型中，所述目标模型由全精度模型载入优化后的量化参数进行量化得到，将优化后的量化参数作为密钥Ⅱ；

获取所述目标模型对所述测试样本的预测输出；

基于所述预测输出，判断所述目标模型是否对包含密钥Ⅰ的输入产生预设响应；

若所述目标模型对包含密钥Ⅰ的输入产生预设响应，则判定所述目标模型版权认证成功；

所述目标模型的构建与训练方法，包括：

在原始深度学习模型中插入量化节点并初始化量化参数，得到低精度伪量化模型；

基于设定的预热损失函数，利用标准训练数据集对所述低精度伪量化模型进行量化感知训练，获取高精度伪量化模型；

将获取的添加有自定义样本水印的水印数据集输入高精度伪量化模型，以最小化样本水印损失函数为目标对自定义样本水印进行优化，获取添加有优化后样本水印的水印数据集，其中，优化后样本水印作为密钥Ⅰ；

冻结所述高精度伪量化模型的网络权重，以最小化量化参数损失函数为目标，利用添加了密钥Ⅰ的水印数据集，对所述高精度伪量化模型的量化参数进行优化，并将优化后的量化参数作为密钥Ⅱ；

将结合了密钥Ⅱ的所述高精度伪量化模型作为目标模型，并对其剥离量化节点形成全精度模型用于最终发布。

2.根据权利要求1所述的双密钥模型的版权认证方法，其特征在于，所述在原始深度学习模型中插入量化节点并初始化量化参数，包括：在所述原始深度学习模型的权重与激活值路径上插入量化节点；

通过精度区间映射与零值校正，为所插入的量化节点计算其缩放因子 与零点 ，以完成量化参数的初始化；

其中，对于浮点数  ，表示浮点数 的最小允许值，表示浮点数 的最大允许值，其对应的 位有符号整型 ， 表示该 位有符号整数能表示的最小整数值， 表示该 位有符号整数能表示的最大整数值；

量化过程定义为：

；

反量化过程定义为：

；

其中，缩放因子 与零点 的计算公式如下：；

；

函数表示将非整数零点四舍五入至最接近的整数。

3.根据权利要求1所述的双密钥模型的版权认证方法，其特征在于，所述预热损失函数包括衡量低精度伪量化模型的输出与真实标签之间差异的第一交叉熵损失 和防止低精度伪量化模型过拟合的权重衰减正则项损失 ，表示为：；

其中， 表示标准训练数据集的样本总数，表示类别数量， 表示低精度伪量化模型对第 个样本在类别 上的输出， 表示低精度伪量化模型对第 个样本在类别 上的输出， 为第 个样本的真实类别标签， 表示低精度伪量化模型可训练权重参数的集合，表示权重参数数值， 表示L2范数。

4.根据权利要求1所述的双密钥模型的版权认证方法，其特征在于，所述添加有自定义样本水印的水印数据集的获取方法，包括：将水印图片 的像素值 的值域从 归一化至 ；

设定样本水印强度尺度为 ，采用线性居中映射方式，将归一化后的像素值值域再从映射到对称空间 ，映射公式为：；

其中，表示映射后的水印像素值，是扰动强度控制因子；

采用线性融合的方式将映射后的水印像素值添加至数据集样本中，得到带映射后的水印的样本 ，公式如下：；

其中，是经归一化处理后的样本表示， ，表示水印与样本之间的融合系数；

对带水印样本 进行逐通道裁剪操作以得到处理后的最终水印样本 ，公式如下：；

其中， 和 分别表示通道 的均值与标准差， 是裁剪函数，用于将输入值限制在区间 内，若输入小于 则输出 ，若输入大于 则输出 ，否则保持原值不变；

得到添加有自定义样本水印的水印数据集。

5.根据权利要求1所述的双密钥模型的版权认证方法，其特征在于，所述样本水印损失函数 包括分布一致性损失 和视觉隐蔽性损失 ，表示为：；

所述分布一致性损失，包括均值对齐损失 和协方差对齐损失 ，表示为：；

其中，与 分别为添加水印的样本与未添加水印的目标样本的特征均值， 表示协方差矩阵， 为Frobenius范数， 表示L2范数平方；

所述视觉隐蔽性损失 ，包括强度惩罚损失 和一阶平滑损失 ，整体损失定义为：；

其中，表示映射后的水印像素值， 和 分别表示水平方向和垂直方向上像素的梯度， 表示无穷范数， 表示L1范数。

6.根据权利要求1所述的双密钥模型的版权认证方法，其特征在于，所述量化参数损失函数 包括模型精度损失 和水印注入损失 ，表示为：；

所述精度保持损失 ，包括第二交叉熵损失 和知识蒸馏损失 ，整体损失定义为：

；

其中， 是添加有优化后样本水印的水印数据集的样本总数， 是类别数量, 为第个样本的真实类别标签， 是高精度伪量化模型对第 个样本在类别 上的输出，是高精度伪量化模型对第 个样本在类别 上输出， 是温度参数， 表示学生模型在温度 下的预测分布， ， 函数是归一化指数函数，用于将高精度伪量化模型输出的向量转换为和为1的概率分布，从而表示各个类别的预测置信度， 表示学生模型的输出， 表示教师模型在温度 下的预测分布，； 表示教师模型的输出，是教师模型对第 个样本在类别 上的输出， 表示散度，用于衡量学生模型预测分布与教师模型预测分布之间的差异；

所述水印注入损失 ，包括交叉熵损失 、特征对齐损失 、决策边界损失 以及量化敏感度损失 ，整体损失定义为：；

其中， 是高精度伪量化模型对第 个样本在目标类别 上的输出， 表示未添加水印的样本在目标类别 上的输出， 表示添加水印样本的特征， 表示目标类样本的特征， 和 分别表示均值与标准差, 表示修正线性单元，表示非目标类预测概率的上限阈值， 表示间隔约束系数， 表示L2范数平方。

7.一种双密钥模型的版权认证装置，用于实现权利要求1‑6任意一项所述的双密钥模型的版权认证方法，其特征在于，包括：样本获取模块，用于获取测试样本，所述测试样本包含模型版权持有方优化后的样本水印，将优化后的样本水印作为密钥Ⅰ；

输入模块，用于将所述测试样本输入至待验证的目标模型中，所述目标模型由全精度模型载入优化后的量化参数进行量化得到，将优化后的量化参数作为密钥Ⅱ；

预测输出获取模块，用于获取所述目标模型对所述测试样本的预测输出；

判断模块，用于基于所述预测输出，判断所述目标模型是否对包含密钥Ⅰ的输入产生预设响应；

版权认证模块，用于在所述目标模型对包含密钥Ⅰ的输入产生预设响应时，判定所述目标模型版权认证成功。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时实现权利要求1‑6中任一项所述方法的步骤。

9.一种电子设备，其特征在于，包括：

存储器，用于存储计算机程序/指令；

处理器，用于执行所述计算机程序/指令以实现权利要求1‑6中任一项所述方法的步骤。