卷积核（kernel）和过滤器（filter）的区别

0. 前言

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。但是这篇文章让我理解了为什么使用深度学习框架定义卷积层时，该层的输出通道=卷积核的个数？因为在我看来，如果输入通道=3(比如RGB格式图片)，卷积核个数为1，那么输出通道=3，因为卷积核对每个输入通道都进行运算。但实际上深度学习框架中定义卷积核个数，可能是指滤波器的个数。

1. 两者分别

一句话：卷积核是二维的，滤波器是三维的(高维，也可能是四维的)

• 卷积核就是由长和宽来指定的，是一个二维的概念。
• 而过滤器是是由长、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。

在下图中，input是3通道，卷积核个数为3个，卷积输出通道为3个，output通道为1个。

从微观上看，是一个n*w*3的input和3个3*3的卷积核进行了运算，得到了三个输出
从宏观上看，是一个n*w*3的input和一个3*3*3的滤波器进行了运算，得到一个输出

所以，深度学习框架中，定义卷积层时，设定卷积核个数，更可能是指滤波器个数，这就能够解释为什么框架中卷积层的卷积核个数=输出通道数。

用图表示：
图中用“3个滤波器”描述更为准确，事实上在Pytorch中定义卷积层torch.nn.Conv2d(in_channels, out_channels,kernel_size,...)并没有要求卷积核数量的参数，直接定义输入通道和输出通道，pytorch会自动构建出卷积数量

2. 特殊情况

当输入为1通道时，此时卷积核n *w其实只有一个，比卷积核多深度维度的滤波器尺寸n*w*1，其实此时卷积核就等于滤波器了。

3. 引用

卷积核（kernel）和过滤器（filter）的区别