Add API doc for pruning.

doc/api_guide.md

 
+## [卷积通道剪裁](./prune_api.md)
+
 ## [蒸馏]()
 
-### [单进程蒸馏](../paddleslim/dist/single_distiller_api_doc.md)
+- [单进程蒸馏](../paddleslim/dist/single_distiller_api_doc.md)
 
-### [通道剪裁](../paddleslim/prune/prune_api.md)
+- [通道剪裁](../paddleslim/prune/prune_api.md)
 
 ### [量化](../paddleslim/quant/quantization_api_doc.md)
 
-#### [量化训练](../paddleslim/quant/quantization_api_doc.md#量化训练API)
+- [量化训练](../paddleslim/quant/quantization_api_doc.md#量化训练API)
 
-#### [离线量化](../paddleslim/quant/quantization_api_doc.md#离线量化API)
+- [离线量化](../paddleslim/quant/quantization_api_doc.md#离线量化API)
 
-#### [embedding量化](../paddleslim/quant/quantization_api_doc.md#Embedding量化API)
+- [embedding量化](../paddleslim/quant/quantization_api_doc.md#Embedding量化API)
 
 ## [小模型结构搜索]()

doc/prune_api.md

+
+# 卷积通道剪裁API文档
+
+## class Pruner
+
+---
+
+>paddleslim.prune.Pruner(criterion="l1_norm")[源代码]()
+
+对卷积网络的通道进行一次剪裁。剪裁一个卷积层的通道，是指剪裁该卷积层输出的通道。卷积层的权重形状为`[output_channel, input_channel, kernel_size, kernel_size]`，通过剪裁该权重的第一纬度达到剪裁输出通道数的目的。
+
+**参数：**
+
+    - **criterion:** 评估一个卷积层内通道重要性所参考的指标。目前仅支持`l1_norm`。默认为`l1_norm`。
+
+**返回：** 一个Pruner类的实例
+
+**示例代码：**
+
+```
+from paddleslim.prune import Pruner
+pruner = Pruner()
+```
+
+---
+
+>prune(program, scope, params, ratios, place=None, lazy=False, only_graph=False, param_backup=None, param_shape_backup=None)
+
+对目标网络的一组卷积层的权重进行裁剪。
+
+**参数：**
+
+- **program(paddle.fluid.Program):** 要裁剪的目标网络。更多关于Program的介绍请参考：[Program概念介绍](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/fluid_cn/Program_cn.html#program)。
+
+- **scope(paddle.fluid.Scope):** 要裁剪的权重所在的`scope`，Paddle中用`scope`实例存放模型参数和运行时变量的值。更多介绍请参考[Scope概念介绍]()
+
+- **params(list<str>):** 需要被裁剪的卷积层的参数的名称列表。可以通过以下方式查看模型中所有参数的名称:
+```
+for block in program.blocks:
+    for param in block.all_parameters():
+        print("param: {}; shape: {}".format(param.name, param.shape))
+```
+
+- **ratios(list<float>):** 用于裁剪`params`的剪切率，类型为列表。该列表长度必须与`params`的长度一致。
+
+- **place(paddle.fluid.Place):** 
+
+---