tf.keras 的预训练模型都放在了'tensorflow.python.keras.applications' 目录下，在 tensorflow 1.10 版本中，预训练好的模型有：
DenseNet121, DenseNet169, DenseNet201, InceptionResNetV2, InceptionV3, MobileNet, NASNetLarge, NASNetMobile, ResNet50, VGG16, VGG19, Xception.
找了半天，发现 keras 没有预训练好的 AlexNet。。。
所以本文提供一种从其它框架（如 PyTorch）导入预训练模型的方法，下面以 AlexNet 为例。代码参见 wuliytTaotao · Github。
从 PyTorch 中导出模型参数
首先明白一点，当模型的结构一样时，我们只需要导入模型的参数即可复现模型，所以我们要做的就是从 PyTorch 中导出预训练好的模型参数，并用 keras 加载。
这里要介绍一个微软的项目：MMdnn。MMdnn 使我们可以在不同深度学习框架之间转换模型，这里我也使用 MMdnn 来转换 AlexNet（PyTorch to Keras）。
第 0 步：配置环境
必须一致配置：
- PyTorch: 0.4.0 （如果其它版本出现了问题，请退回到 0.4.0 版）
非必须一致配置：
- numpy: 1.14.5
- Keras: 2.1.3 (非 tensorflow 中的 keras)
第 1 步：安装 MMdnn
$ pip3 install mmdnn
我安装的 mmdnn 版本为 0.2.5。
其它安装方式请参考 github。
第 2 步：得到 PyTorch 保存完整结构和参数的模型（pth 文件）
PyTorch 保存模型时，可以保存整个模型，也可以仅保存模型的参数，都是存放到 pth 文件中。
mmdnn 操作的 pth 文件是要求含有模型结构的，具体参见 FAQ，而在 PyTorch 中预训练 AlexNet 仅保存了参数。
通过以下程序得到包含有模型结构和权重的 AlexNet 预训练模型（pth 文件）：
import torch
import torchvision
m = torchvision.models.alexnet(pretrained=True)
torch.save(m, './alexnet.pth')
对于其它模型，如 resnet101，可以通过以下指令直接得到含有结构和权重的预训练模型：
$ mmdownload -f pytorch -n resnet101 -o ./
（不要通过上述指令得到 alexnet.pth，因为其仅仅包含权重，而不含结构，故后面一步会出现错误 "AttributeError: 'collections.OrderedDict' object has no attribute 'state_dict'"。）
第 3 步：导出 PyTorch 模型的参数，保存至 hdf5 文件
依次执行以下三条指令，最后会得到一个 'keras_alexnet.h5' 文件，这就是我们想要的 keras 能加载的预训练权重文件。
$ mmtoir -f pytorch -d alexnet --inputShape 3,227,227 -n alexnet.pth
IR network structure is saved as [alexnet.json].
IR network structure is saved as [alexnet.pb].
IR weights are saved as [alexnet.npy].
$ mmtocode -f keras --IRModelPath alexnet.pb --IRWeightPath alexnet.npy --dstModelPath keras_alexnet.py
Using TensorFlow backend.
Parse file [alexnet.pb] with binary format successfully.
Target network code snippet is saved as [keras_alexnet.py].
$ python3 -m mmdnn.conversion.examples.keras.imagenet_test -n keras_alexnet.py -w alexnet.npy --dump keras_alexnet.h5
Using TensorFlow backend.
Keras model file is saved as [keras_alexnet.h5], generated by [keras_alexnet.py.py] and [alexnet.npy].
可能遇到的问题
- AttributeError: 'Conv2d' object has no attribute 'padding_mode'
Solution：PyTorch 版本问题，1.1.0 版会出现这个问题，回退到 0.4.0 版本即可。
$ pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade torch==0.4.0 torchvision==0.2.0
Solution：请更改 numpy 版本。
Solution：pth 文件仅含模型参数而不含模型结构，在 PyTorch 中加载一下然后保存含有模型结构和参数的 pth 文件。
验证从 PyTorch 导出的 AlexNet 预训练模型
测试用的几张图片、代码以及生成的 keras_alexnet.h5 文件都存放到了 wuliytTaotao · Github。
import torch
import torchvision
import cv2
import numpy as np
from torch.autograd import Variable
import tensorflow as tf
from tensorflow.keras import layers,regularizers
filename_test = 'data/dog2.png'
img = cv2.imread(filename_test)
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 数据预处理
img = cv2.resize(img, (227, 227))
img = img / 255.0
img = np.reshape(img, (1, 227, 227, 3))
# 标准化，这是 PyTorch 预训练 AlexNet 模型的预处理方式，详情请见 https://pytorch.org/docs/stable/torchvision/models.html
mean = np.array([0.485, 0.456, 0.406]).reshape([1, 1, 1, 3])
std = np.array([0.229, 0.224, 0.225]).reshape([1, 1, 1, 3])
img = (img - mean) / std
# PyTorch
# PyTorch 数据输入 channel 排列和 Keras 不一致
img_tmp = np.transpose(img, (0, 3, 1, 2))
model = torchvision.models.alexnet(pretrained=True)
# torch.save(model, './model/alexnet.pth')
model = model.double()
model.eval()
y = model(Variable(torch.tensor(img_tmp)))
# 预测的类别
print(np.argmax(y.detach().numpy()))
# Keras
def get_AlexNet(num_classes=1000, drop_rate=0.5):
"""
PyTorch 中实现的 AlexNet 预训练模型结构，filter 的深度分别为：（64，192，384，256，256）。
返回 AlexNet 的 inputs 和 outputs
"""
inputs = layers.Input(shape=[227, 227, 3])
conv1 = layers.Conv2D(64, (11, 11), strides=(4, 4), padding='valid', activation='relu')(inputs)
pool1 = layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2))(conv1)
conv2 = layers.Conv2D(192, (5, 5), strides=(1, 1), padding='same', activation='relu')(pool1)
pool2 = layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2))(conv2)
conv3 = layers.Conv2D(384, (3, 3), strides=(1, 1), padding='same', activation='relu')(pool2)
conv4 = layers.Conv2D(256, (3, 3), strides=(1, 1), padding='same', activation='relu')(conv3)
conv5 = layers.Conv2D(256, (3, 3), strides=(1, 1), padding='same', activation='relu')(conv4)
pool3 = layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2))(conv5)
flat = layers.Flatten()(pool3)
dense1 = layers.Dense(4096, activation='relu')(flat)
dense1 = layers.Dropout(drop_rate)(dense1)
dense2 = layers.Dense(4096, activation='relu')(dense1)
dense2 = layers.Dropout(drop_rate)(dense2)
outputs = layers.Dense(num_classes, activation='softmax')(dense2)
return inputs, outputs
inputs, outputs = get_AlexNet()
model2 = tf.keras.Model(inputs, outputs)
model2.load_weights('./keras_alexnet.h5')
# 预测的类别
print(np.argmax(model2.predict(img)))
预测结果代表的类别请看博客 ImageNet图像库1000个类别名称（中文注释不断更新）。
Attentions
PyTorch 中的预训练 AlexNet 模型卷积层 filter 的个数和原论文不一致，filter 的个数分别 (64，192，384，256，256)。具体参见 GitHub - pytorch: vision/torchvision/models/alexnet.py
PyTorch 给出的解释是，它的预训练 AlexNet 模型用的是论文 Krizhevsky, A. (2014). One weird trick for parallelizing convolutional neural networks. arXiv preprint arXiv:1404.5997. 给出的架构，但 PyTorch 的模型架构和这篇论文还是有区别，这篇论文中第四个卷积层 filter 个数为 384，而 PyTorch 为 256。
而 caffe 中实现的 AlexNet 含有原始的 LRN 层，去掉 LRN 层后，个人感觉预训练的权重就不能直接拿来用了。
References
PyTorch
GitHub - microsoft/MMdnn
GitHub - pytorch: vision/torchvision/models/alexnet.py
ImageNet图像库1000个类别名称（中文注释不断更新）-- 徐小妹