随着人工智能的发展,深度学习作为其最具突破性特点的领域之一,已广泛应用于卫星,军事,医疗,自动驾驶等各个方面,但强大的算力背后,需要大量数据和带宽的支撑,如何正确,高效地对大数据进行访问,包括传输和处理,一直是研究的热点,其正确性会直接影响到深度学习的性能。为此本文针对一款自研的深度学习IP核,研究了其数据的传输,处理方式,并对其相关模块进行验证,本文的主要研究内容及创新点包括以下方面:首先本文介绍了深度学习框架中的卷积神经网络算法和池化算法,并由此引出数据访问的核心模块:DMC模块和PW模块,并使用UVM方法学,分别对两个模块展开研究与验证。其次对DMC模块搭建UVM验证平台,DMC模块服务于卷积神经网络算法,负责对传统的卷积数据比如feature map和weight进行存取,传输和适当预处理,同时还引入RGB,interleave等数据模式来适配前后端图像处理单元,平台针对此设计了对应的sequence以及对应的uvm组件负责发送激励,编写了sanity,direct,random等多种测试用例,对四维tensor转换为线性地址的算法,和收到数据的处理比如对feature map做2h＿mode操作以加快运算等操作进行验证,并编写功能覆盖组收集功能覆盖率。最后对PW模块搭建UVM验证平台,设计sequence发送Arbiter通路和MAC通路激励,设计测试用例来验证用于降低性能损耗trios功能,对数据进行升采样以保留数据特征的d2s功能,以及数据压缩的VLC功能,并编写功能覆盖组收集功能覆盖率。本文为深度学习芯片的数据访问模块:DMC和PW搭建了UVM验证平台,保证了DMC模块在各种数据模式,数据格式下对存储地址的正确计算以及对数据的正确处理,也保证了PW模块在各种机制下对数据的正确计算。最后,测试用例全部通过,DMC模块的代码覆盖率达到96.94%,功能覆盖率为100%,PW模块的代码覆盖率达到99.86%,功能覆盖率为100%,保证了数据访问的正确性,支持了深度学习大数据量的处理与传输,并通过分析与对比,计算出DMC模块的2h＿mode模式让MAC开始工作的时间提前了2/HN（H为H维度的数据量,N为N维度的数据量）,也验证出PW模块的trios功能对于内存的节省率为2%-5%,计算出VLC在不同场景下的压缩率,分析了现有压缩模式的性能以及不足,总体验证工作达到了预期目标。