正确的html闭标签里，是以/开头的，所以网页的源代码不可能是\/span，span class=\"name\"小小少年lala\/span\r\n\t里的前三个\是为了在字符串里显示“和/而已，并不是字符串的内容。
目前创新互联已为上千的企业提供了网站建设、域名、网络空间、网站改版维护、企业网站设计、东昌府网站维护等服务，公司将坚持客户导向、应用为本的策略，正道将秉承"和谐、参与、激情"的文化，与客户和合作伙伴齐心协力一起成长，共同发展。
网页应该是
span class="name"小小少年lala/span\r\n\t
你的正则应该用
p=re.compile('span class="name"(.*)\/span')
不要用search，用findall
result = re.findall(r'a[0-9]', str)
print(result)
用replace函数，先把style。。。/style等不需要的的内容替换为空
再使用正则提取。
或者使用正则，只提取
p.../p之间的内容
L1正则假设参数的先验分布是Laplace分布，可以保证模型的稀疏性，也就是某些参数等于0；
L2正则假设参数的先验分布是Gaussian分布，可以保证模型的稳定性，也就是参数的值不会太大或太小
L1正则化和L2正则化可以看做是损失函数的惩罚项。所谓『惩罚』是指对损失函数中的某些参数做一些限制。对于线性回归模型，使用L1正则化的模型建叫做Lasso回归，使用L2正则化的模型叫做Ridge回归。下图是Python中Lasso回归的损失函数，式中加号后面一项α||w||1即为L1正则化项。
正则化（Regularization）
机器学习中几乎都可以看到损失函数后面会添加一个额外项，常用的额外项一般有两种，一般英文称作 ℓ1-norm 和 ℓ2-norm ，中文称作 L1正则化 和 L2正则化 ，或者 L1范数 和 L2范数 。
L1正则化和L2正则化可以看做是损失函数的惩罚项。所谓『惩罚』是指对损失函数中的某些参数做一些限制。对于线性回归模型，使用L1正则化的模型建叫做Lasso回归，使用L2正则化的模型叫做Ridge回归（岭回归）。下图是Python中Lasso回归的损失函数，式中加号后面一项α||w||1即为L1正则化项。
下图是Python中Ridge回归的损失函数，式中加号后面一项α||w||22即为L2正则化项。
一般回归分析中回归w表示特征的系数，从上式可以看到正则化项是对系数做了处理（限制）。 L1正则化和L2正则化的说明如下：
L1正则化是指权值向量w中各个元素的 绝对值之和 ，通常表示为||w||1
L2正则化是指权值向量w中各个元素的 平方和然后再求平方根 （可以看到Ridge回归的L2正则化项有平方符号），通常表示为||w||2
一般都会在正则化项之前添加一个系数，Python中用α表示，一些文章也用λ表示。这个系数需要用户指定。
那添加L1和L2正则化有什么用？ 下面是L1正则化和L2正则化的作用 ，这些表述可以在很多文章中找到。
L1正则化可以产生稀疏权值矩阵，即产生一个稀疏模型，可以用于特征选择
L2正则化可以防止模型过拟合（overfitting）；一定程度上，L1也可以防止过拟合
稀疏模型与特征选择
上面提到L1正则化有助于生成一个稀疏权值矩阵，进而可以用于特征选择。为什么要生成一个稀疏矩阵？
稀疏矩阵指的是很多元素为0，只有少数元素是非零值的矩阵，即得到的线性回归模型的大部分系数都是0.
通常机器学习中特征数量很多，例如文本处理时，如果将一个词组（term）作为一个特征，那么特征数量会达到上万个（bigram）。在预测或分类时，那么多特征显然难以选择，但是如果代入这些特征得到的模型是一个稀疏模型，表示只有少数特征对这个模型有贡献，绝大部分特征是没有贡献的，或者贡献微小（因为它们前面的系数是0或者是很小的值，即使去掉对模型也没有什么影响），此时我们就可以只关注系数是非零值的特征。这就是稀疏模型与特征选择的关系。
L1和L2正则化的直观理解
这部分内容将解释 为什么L1正则化可以产生稀疏模型（L1是怎么让系数等于零的） ，以及 为什么L2正则化可以防止过拟合 。
L1正则化和特征选择
假设有如下带L1正则化的损失函数：
J=J0+α∑w|w|(1)
其中J0是原始的损失函数，加号后面的一项是L1正则化项，α是正则化系数。注意到L1正则化是权值的 绝对值之和 ，J是带有绝对值符号的函数，因此J是不完全可微的。机器学习的任务就是要通过一些方法（比如梯度下降）求出损失函数的最小值。当我们在原始损失函数J0后添加L1正则化项时，相当于对J0做了一个约束。令L=α∑w|w|，则J=J0+L，此时我们的任务变成 在L约束下求出J0取最小值的解 。考虑二维的情况，即只有两个权值w1和w2，此时L=|w1|+|w2|对于梯度下降法，求解J0的过程可以画出等值线，同时L1正则化的函数L也可以在w1w2的二维平面上画出来。如下图：
图1 L1正则化
图中等值线是J0的等值线，黑色方形是L函数的图形。在图中，当J0等值线与L图形首次相交的地方就是最优解。上图中J0与L在L的一个顶点处相交，这个顶点就是最优解。注意到这个顶点的值是(w1,w2)=(0,w)。可以直观想象，因为L函数有很多『突出的角』（二维情况下四个，多维情况下更多），J0与这些角接触的机率会远大于与L其它部位接触的机率，而在这些角上，会有很多权值等于0，这就是为什么L1正则化可以产生稀疏模型，进而可以用于特征选择。
而正则化前面的系数α，可以控制L图形的大小。α越小，L的图形越大（上图中的黑色方框）；α越大，L的图形就越小，可以小到黑色方框只超出原点范围一点点，这是最优点的值(w1,w2)=(0,w)中的w可以取到很小的值。
类似，假设有如下带L2正则化的损失函数：
J=J0+α∑ww2(2)
同样可以画出他们在二维平面上的图形，如下：
图2 L2正则化
二维平面下L2正则化的函数图形是个圆，与方形相比，被磨去了棱角。因此J0与L相交时使得w1或w2等于零的机率小了许多，这就是为什么L2正则化不具有稀疏性的原因。
L2正则化和过拟合
拟合过程中通常都倾向于让权值尽可能小，最后构造一个所有参数都比较小的模型。因为一般认为参数值小的模型比较简单，能适应不同的数据集，也在一定程度上避免了过拟合现象。可以设想一下对于一个线性回归方程，若参数很大，那么只要数据偏移一点点，就会对结果造成很大的影响；但如果参数足够小，数据偏移得多一点也不会对结果造成什么影响，专业一点的说法是『抗扰动能力强』。
那为什么L2正则化可以获得值很小的参数？
以线性回归中的梯度下降法为例。假设要求的参数为θ，hθ(x)是我们的假设函数，那么线性回归的代价函数如下：
J(θ)=12m∑i=1m(hθ(x(i))−y(i))(3)
那么在梯度下降法中，最终用于迭代计算参数θ的迭代式为：
θj:=θj−α1m∑i=1m(hθ(x(i))−y(i))x(i)j(4)
其中α是learning rate. 上式是没有添加L2正则化项的迭代公式，如果在原始代价函数之后添加L2正则化，则迭代公式会变成下面的样子：
θj:=θj(1−αλm)−α1m∑i=1m(hθ(x(i))−y(i))x(i)j(5)
其中 λ就是正则化参数 。从上式可以看到，与未添加L2正则化的迭代公式相比，每一次迭代，θj都要先乘以一个小于1的因子，从而使得θj不断减小，因此总得来看，θ是不断减小的。
最开始也提到L1正则化一定程度上也可以防止过拟合。之前做了解释，当L1的正则化系数很小时，得到的最优解会很小，可以达到和L2正则化类似的效果。
正则化参数的选择
L1正则化参数
通常越大的λ可以让代价函数在参数为0时取到最小值。下面是一个简单的例子，这个例子来自 Quora上的问答 。为了方便叙述，一些符号跟这篇帖子的符号保持一致。
假设有如下带L1正则化项的代价函数：
F(x)=f(x)+λ||x||1
其中x是要估计的参数，相当于上文中提到的w以及θ. 注意到L1正则化在某些位置是不可导的，当λ足够大时可以使得F(x)在x=0时取到最小值。如下图：
图3 L1正则化参数的选择
分别取λ=0.5和λ=2，可以看到越大的λ越容易使F(x)在x=0时取到最小值。
L2正则化参数
从公式5可以看到，λ越大，θj衰减得越快。另一个理解可以参考图2，λ越大，L2圆的半径越小，最后求得代价函数最值时各参数也会变得很小。
Reference
过拟合的解释：
正则化的解释：
正则化的解释：
正则化的数学解释（一些图来源于这里）：
原文参考：blog.csdn.net/jinping_shi/article/details/52433975
1.正则的简单介绍
首先你得导入正则方法 import re 正则表达式是用于处理字符串的强大工具，拥有自己独立的处理机制，效率上可能不如str自带的方法，但功能十分灵活给力。它的运行过程是先定一个匹配规则（”你想要的内容+正则语法规则”）,放入要匹配的字符串，通过正则内部的机制就能检索你想要的信息。
2.findall的常用几种姿势
基本结构大致: nojoke = re.findall(r’匹配的规则’,’要检索的愿字符串’) nojoke就是我们最后通过正则返回的结果，re正则findall查找全部r标识代表后面是正则的语句（这样在代码多的时候好查阅），下面我们看看几个例子好深入了解
这段代码是找出检索字符串中所有的bi并以列表的形式返回，这个会经常用到计算统一字符出现的次数。继续看下一个
这里加了个符号^表示匹配以abi开头的的字符串返回,也可以判断字符串是否以abi开始的。
这里在的用$符号表示以gbi结尾的字符串返回,判断是否字符串结束的字符串。
这里[…]的意思匹配括号内a和f，或者b和f，或者c和f的值返回列表。
“d”是正则语法规则用来匹配0到9之间的数返回列表,需要注意的是11会当成字符串’1’和’1’返回而不是返回’11’这个字符串，切记用不好这里是大坑。
当然解决的办法就你要取几位数就写几个d，上面这里演示取字符串中3位数字，这里展现了正则灵活一方面。
这里小d表示取数字0-9，大D表示不要数字，也就是出了数字以外的内容返回。
“w”在正则里面代表匹配从小写a到z,大写A到Z，数字0到9包含前面这三种的如上面打印的一样.
“W”在正则里面代表匹配除了字母与数字以外的特殊符号，但这里斜杠的用法要注意在字符串是转义符号具体百度去学。
这里加了个问号.*？就是限制它不让他最大范围的匹配也叫非贪婪模式匹配。结果是把两个div内的内容匹配返回。
这里加re.I(大写的i)表示匹配无论公的母的大小写都通吃都要，不然后面有大小写就会出现上面匹配找不到返回空列表给你。
这里又搞事了就是n俗称换行符，一旦换行程序就SB了不认了,所以我们加上了re.S(大写)这样代表比匹配包括换行在内的所有字符内容返回，基本你把上面的语法和用法学会后基本70%以上匹配方法全都搞定，当然还有很方法我就不列举了，大家可以自己去学习（剩下的基本我都很少用到了）。
2.match和search的用法及区别：
re.match 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none。re.search 扫描整个字符串并返回第一个成功的匹配。
