L1 正则把权重绝对值之和加入损失（Lasso），L2 正则把权重平方和加入损失（Ridge）。最直观的区别：L1 倾向于产生稀疏解，把不重要特征的权重压到精确为零，因此可做特征选择；L2 让权重整体均匀收缩但很少精确为零，解更稳定。

几何解释：L1 的约束区域是菱形，顶点落在坐标轴上，损失等高线容易与顶点相切从而得到零权重；L2 是圆形，没有这种偏好。从先验看，L1 对应拉普拉斯先验，L2 对应高斯先验。

易错点：L1 在零点不可导，需要用次梯度或近端梯度法；L2 在深度学习里以 weight decay 形式出现，AdamW 证明把 weight decay 从梯度更新中解耦效果更好。场景选择：高维稀疏特征、需要可解释性选 L1；一般神经网络训练选 L2/weight decay；两者结合即 Elastic Net。