Las redes neuronales convolucionales (CNN) han ganado reconocimiento por su notable rendimiento en diversas tareas. Sin embargo, la gran cantidad de parámetros y las demandas computacionales plantean desafíos, especialmente en dispositivos con recursos limitados. En respuesta a estos desafíos, este artículo presenta un enfoque novedoso destinado a mejorar la eficiencia de los modelos de aprendizaje profundo. Nuestro método introduce el concepto de coeficientes de precisión y eficiencia, ofreciendo un mecanismo de control detallado para equilibrar la compensación entre la precisión de la red y la eficiencia computacional. En el núcleo de nuestro enfoque se encuentra el algoritmo de poda meta recompensado, que guía el entrenamiento de la red neuronal para generar configuraciones de pesos de modelos podados. La selección de este modelo podado se basa en aproximaciones de los parámetros finales del modelo, y se controla precisamente a través de una función de recompensa. Esta función de recompensa nos permite adaptar el proceso de optimización, lo que conduce a un ajuste fino más efectivo y un mejor rendimiento del modelo. Experimentos y evaluaciones extensos subrayan la superioridad de nuestro método propuesto en comparación con las técnicas de vanguardia. Realizamos experimentos rigurosos de poda en arquitecturas bien establecidas como ResNet-50, MobileNetV1 y MobileNetV2. Los resultados no solo validan la eficacia de nuestro enfoque, sino que también destacan su potencial para avanzar significativamente en el campo de la compresión de modelos y su implementación en dispositivos de borde con recursos limitados.