DNN训练处理器朝着多核多内存的方向发展,多个计算节点和多个内存节点以片上网络的方式进行片上互联是未来的研究趋势。DNN训练过程是计算密集型任务,需要多计算节点协同完成。DNN训练过程具有层同步性,则多个片上计算节点在并发执行卷积层或全连接层的计算任务时,训练性能取决于最慢的节点,即短板效应。为了避免单个计算节点成为执行训练任务的短板,需要解决各计算节点间访存公平性问题。同时处理器的操作速度要高于内存的速度,DNN训练过程是访存密集型任务,因此大量的访存请求被存放到DNN训练处理器访存接口处的缓冲区队列中,由内存系统对这些缓冲区队列中的访存请求进行服务。所以通过对DNN训练处理器访存接口处的缓冲区队列进行高效管理,一方面可以解决效率问题,以降低访存延时;另一方面也可以解决缓冲区资源管理的公平性问题,尽可能按需分配,以提高DNN训练处理器的训练性能。为了解决效率问题,对片上网络架构的DNN训练过程进行访存特征分析。对DDR4 SDRAM在不同访存场景进行访存延时分析,得出影响访存延时的主要因素是非连续性的读/写和行冲突。据此在内存系统访问接口（以下简称访存接口）处设计了专用的访存请求排序模块,对到达访存接口处的访存请求进行排序,保证训练过程正确进行的前提下提高读/写连续性和减少行冲突的次数,以降低访存延时。在仿真平台上对MNIST数据集使用Le Net-5网络进行训练,对访存接口处的访存请求进行排序。实验结果表明,与未经排序的访存请求得到的访存延时相比,排序后的访存延时具有较为明显的降低,在不同训练场景下访存延时降低范围为19.93%到32.87%之间。为解决公平性问题,则有必要对缓冲区资源进行高效管理,本文从访存接口处访存请求队列长度分配的层次上解决公平性问题。为了降低缓存区资源的消耗,采用动态缓冲区队列长度分配的方法。根据访存流量特征具有周期性的特点和训练过程中协调发送速率与服务速率的机制,提出了一种多周期自适应缓冲区队列长度分配算法。同时提出了以训练性能作为评价指标,定义为训练完一个样本所消耗的总的时钟周期数。将通用的缓冲区分配算法在本文的仿真场景下进行复现,并与多周期自适应缓冲区分配算法进行比较得到了在不同的缓冲区大小下训练性能的关系。实验结果中,在缓冲区大小为[200,260]区间内,本文的多周期自适应缓冲区队列长度分配算法的性能要优于通用的缓冲区队列长度分配算法,训练性能要比通用算法提高5.10%到6.27%之间。随着缓冲区资源大小从200个包进一步减少以及从260个包进一步变大时,两个算法具有相似的训练性能。所以在获得基本相等的训练性能的情况下,本文所提出的算法使用较少的缓冲区资源。通过对DNN训练处理器访存接口处的缓冲区队列的访存请求进行排序以及对缓冲区队列长度进行动态分配,较好地解决了访存效率和访存公平性问题,对设计DNN训练处理器提供了理论分析和实验数据支持,具有较好的学术意义和工程应用价值。