Técnicas de aprendizado profundo, particularmente as redes neurais profundas (Deep Neural Networks - DNNs), têm sido utilizadas com êxito em muitos problemas. Porém, esses tipos de algoritmos exigem um grande esforço computacional, devido a grande quantidade de parâmetros e de operações matemáticas realizadas, e isto pode ser um problema para aplicações onde os recursos computacionais são limitados, aplicações que requerem baixa latência ou baixo consumo energético. Assim, este trabalho propõe a aplicação de uma nova estratégia de treinamento para compressão consciente de modelos de DNNs baseados em poda, quantização e poda seguida de quantização capaz de reduzir o tempo de processamento e seu tamanho em memória. A estratégia de compressão consciente foi aplicada em dois domínios, o primeiro para classificação automática de modulações, onde foi possível reduzir o tamanho do modelo em 13 vezes, e manter uma acurácia apenas 1,8% menor que a do modelo não comprimido. No segundo domínio, foi aplicada a mesma técnica em um modelo de classificação de imagens, para ser validado em ambientes de microserviços, onde foi possível remover aproximadamente 80% dos parâmetros da rede, reduzir seu tamanho em memória em cerca de 7 vezes e manter uma acurácia muito próxima a acurácia do modelo não comprimido.