参考材料
说在前面
在深入探讨之前，我想先明确区分“kernel”和“filter”这两个术语，因为我已经看到很多人把它们混为一谈。如前所述，kernel是权重矩阵，将权重矩阵与输入相乘以提取相关特征。卷积名称就是kernel矩阵的维数。例如，2D卷积的kernel矩阵就是2D矩阵。
关于卷积核和过滤器的定义，事实上在使用时没有多在意，毕竟能理解作者意思即可。但是看到类似于“该层的输出通道=卷积核的个数？”这种信息时我总是有些疑惑.
对于具体的例子，如果输入数据有3个通道（比如一个RGB格式的图片），并且使用了1个滤波器，可能会有一个误解认为输出也应该有3个通道，因为卷积操作会对每个输入通道进行处理。然而，这个理解是不准确的。在深度学习框架中，一个滤波器会对所有输入通道进行操作，并生成一个单独的输出通道。因此，如果你定义了N个滤波器，无论输入通道的数量是多少，你将得到N个输出通道。每个滤波器跨所有输入通道运算，产生一个输出通道，因此输出通道的数量直接等于滤波器的数量。
那么卷积核=滤波器吗？
正文
卷积核就是由长和宽来指定的，是一个二维的概念。
过滤器是是由长、宽和深度指定的，是一个三维的概念；过滤器可以看做是卷积核的集合，过滤器比卷积核高一个维度——深度。
具体示例(多通道)：
卷积核大小：3x3
卷积核数目 (和输入通道数相同) ：3
滤波器 (3x3x3,前面两个3指的是高度和宽度，后面是卷积核数目) 数目：1
上面的操作是对三个通道分别做卷积操作，然后将卷积的结果相加，最后输出一个特征图。
由上面可以得知，输出通道数=卷积核个数不成立
具体示例(单通道)：
卷积核大小：3x3
卷积核数目 (和输入通道数相同) ：1
在单通道情况下，其实过滤器和卷积核可以看做一个东西，即filter=kernel
由上面可以得知，，输出通道数=卷积核个数成立
总结
对于多通道来说，输出通道数=卷积核个数不成立，而对于单通道来说是成立的。