La comunicación de dispositivo a dispositivo (D2D) basada en la proximidad permite servicios de internet de las cosas, seguridad pública y descarga de datos. Debido a estas ventajas, la comunicación D2D se ha aplicado a las redes de comunicación inalámbrica. En las redes inalámbricas que utilizan comunicación D2D, existen desafíos relacionados con la escasez de la tasa de datos y la limitación de cobertura debido a la interferencia co-canal en la comunicación de proximidad. Para resolver estos problemas, se han presentado esquemas de control de potencia de transmisión basados en aprendizaje profundo en sistemas de comunicación D2D asistidos por red. Los esquemas de control de potencia se han centrado en mejorar la eficiencia espectral y energética en presencia de interferencia. Sin embargo, el rendimiento de equidad en la tasa de datos puede ser una métrica clave en las comunicaciones D2D, ya que los dispositivos en proximidad pueden esperar una calidad de servicio justa en el sistema. Por lo tanto, en este documento se propone un esquema de control de potencia de transmisión que utiliza un algoritmo de aprendizaje profundo basado en una red neuronal convolucional (CNN) para considerar el rendimiento de equidad en la tasa de datos en sistemas de comunicación D2D asistidos por red, donde los canales inalámbricos se modelan mediante pérdida de trayectoria y atenuación Nakagami. En el esquema propuesto, se introduce un esquema de normalización por lotes (BN) para mejorar aún más la eficiencia espectral del esquema de control de potencia de transmisión de aprendizaje profundo convencional. Además, se define una función de pérdida para la optimización de aprendizaje profundo con el fin de considerar tanto la equidad en la tasa de datos como la eficiencia espectral. A través de simulaciones, mostramos que el esquema propuesto puede lograr un rendimiento de equidad extremadamente alto mientras mejora la eficiencia espectral de los esquemas convencionales. También se muestra que la mejora en la equidad y eficiencia espectral se logra para diferentes condiciones de atenuación Nakagami y tamaños de área que contienen los dispositivos.