La reciente popularidad y el uso generalizado del aprendizaje profundo anuncian una era de inteligencia artificial. Gracias a la aparición de un servicio de inferencia de aprendizaje profundo, los clientes no profesionales pueden disfrutar de las mejoras y ganancias que trae consigo la inteligencia artificial. Sin embargo, los datos de entrada del cliente pueden ser sensibles, por lo que el cliente no desea enviar sus datos de entrada al servidor. Del mismo modo, el modelo pre-entrenado del servidor es valioso y el servidor no desea hacer públicos los parámetros del modelo. Por lo tanto, proponemos un esquema de preservación de la privacidad y equitativo para un servicio de inferencia de aprendizaje profundo basado en la computación segura entre tres partes y realizando compromisos bajo el entorno de seguridad encubierta públicamente verificable. Demostramos que nuestro esquema tiene las siguientes propiedades de seguridad deseables: privacidad de los datos de entrada, privacidad del modelo y libertad de difamación. Finalmente, realizamos experimentos extensos para evaluar el rendimiento de nuestro esquema en el conjunto de datos MNIST. Los resultados experimentales verifican que nuestro esquema puede lograr la misma precisión de predicción que el modelo pre-entrenado con un costo computacional adicional aceptable.