先说一个结论，国外教材基本上把滤波器等价于卷积核，国内教材通常区分两者的概念。我更倾向于区分概念，也就是把滤波器理解成是卷积核的集合，卷积核是一个二维结构，他只有长度宽度，而滤波器是三维概念，它不仅有长度宽度，还有深度这一维度。
那么何为深度呢：
fc1 = nn.Conv2d(in_channels=3, out_channels=1, kernel_size=3)
已这行代码与下图为例来讲解个各个参数在图中的意义，
in_channels = 3 # 输入通道数为3，如下图左侧3个蓝灰大框
out_channels = 1 # 输出通道为1，如下图右侧绿色小框
kernel_size = 3 #卷积核尺寸为3，如下图中间红色小方框，它是3x3的尺寸
粉色大框就是滤波器，它包含三个卷积核，就说明滤波器的深度为3.使用print(fc1.weight.shape) 查看权重张量的尺寸，结果为 torch.Size([1, 3, 3, 3]) 。1为滤波器个数，中间的3就说明了滤波器的深度为3也就是包含的卷积核个数为3，后变两个3就是卷积核的尺寸。fc1卷积层运算规则如下：滤波器的三个卷积核分别与输入的三个通道一个一个进行卷积运算，再把结果相加生成输出通道上的第一个数据：1，最终生成输出张量 Output Valume.所以我们也可以得到这个结论：输出的特征图的个数与输入通道数无关，只与滤波器的个数有关。 在本例中，只有一个滤波器，所以生成一个Output.
总结：
卷积核与滤波器的概念大多数情况都是混着用的，对于初学者来说确实有一些困扰，在将来在我们阅读文献或者别人的文章时这种情况时有发生，我们不必钻牛角尖，大概意思知道就好。
