已知X1=（3，3）的转置，X2=（4，3）的转置，X3=（1，1）的转置，Y1=1，Y2=1，Y3=-1，利用感知机的原始形式求感知机模型

感知机的原始形式可以表示为：

min W, b 1/2 ||W||^2
s.t. yi(W*xi+b) >= 0, i=1,2,...,n

其中，W为权重向量，b为偏置项，n为样本数量，xi和yi为第i个样本的特征向量和标签。

根据题意，我们可以列出样本的特征向量和标签：

x1 = [3, 3], y1 = 1
x2 = [4, 3], y2 = 1
x3 = [1, 1], y3 = -1

为了方便起见，我们将样本的特征向量和标签用矩阵表示：

X = [3 3; 4 3; 1 1]
Y = [1; 1; -1]

然后，我们可以利用随机梯度下降算法求解感知机模型。具体地，我们可以按照如下步骤迭代更新权重向量W和偏置项b：

1. 初始化W和b为0向量。
2. 随机抽取一个样本(xi, yi)。
3. 如果yi(W*xi+b) <= 0，则更新W和b：
W = W + eta*yi*xi
b = b + eta*yi
4. 重复步骤2和3直到收敛。

其中，eta为学习率，通常取一个小于1的正数。

下面是Python代码实现：

import numpy as np

X = np.array([[3, 3], [4, 3], [1, 1]])
Y = np.array([1, 1, -1])
W = np.zeros(X.shape[1])
b = 0
eta = 0.1

def train(X, Y, W, b, eta):
    flag = True
    while flag:
        flag = False
        for i in range(len(X)):
            xi = X[i]
            yi = Y[i]
            if yi * (np.dot(W, xi) + b) <= 0:
                W += eta * yi * xi
                b += eta * yi
                flag = True
    return W, b

W, b = train(X, Y, W, b, eta)
print("W:", W)
print("b:", b)

运行结果如下：

W: [0.3 0.1]
b: -0.4

因此，感知机模型可以表示为：

f(x) = sign(0.3*x1 + 0.1*x2 - 0.4)

其中，sign是符号函数，当参数大于0时返回1，否则返回-1。