训练数据集，其正实例点是x1=(3,3)T，x2 =(4,3)r,负实例点是x3=(1,1)T，试用感知机学习算法的原始形式求感知机模型f(x)= sign(w·x+b)。这里，w =(w（1),w(2))T ,x=(x(1),x(2))T.代码

感知机学习是一个监督学习算法，用于二分类问题。给定一组正样本（标记为+1）和负样本（标记为-1），如题目所述，x1 和 x2 是正实例点，x3 是负实例点，目标是找到权重向量 w 和偏置 b，使得 f(x) = sign(w·x + b) 对于所有输入都是正确的。

原始感知机更新规则是这样的：

1. 初始化 w = (0, 0)^T，b = 0
2. 当有新实例点 x_i 来更新时：
- 如果 w·x_i + b > 0，且 x_i 是正例，则不需要更新，因为预测正确。
- 如果 w·x_i + b < 0，且 x_i 是负例，说明预测错误，需要调整：
- w 更新为 w 新 = w + η * y_i * x_i，其中 η 是学习率，y_i 是样本标签（对于 x3，y_i = -1）
- b 更新为 b_new = b + η * y_i，这里的计算也基于 y_i

对于你的例子，我们可以逐步模拟这个过程。首先，由于 x1 和 x2 都是正样本，它们不会影响初始权重。但是，当处理负样本 x3 时，我们会更新：

初始状态：w = (0, 0)，b = 0

假设学习率为 η，我们将：
w_new = w + η * (-1) * x3 = (0, 0) + η * (-1) * (1, 1)
b_new = b + η * (-1) = 0 - η

然后将新的 w 和 b 值代入公式，直到所有样本都被迭代遍历过并达到收敛条件。

由于这不是实际的编程代码，下面只是一个简化的伪代码示例：

# 假设η=1，初始化
eta = 1
w = [0, 0]
b = 0
data_points = [(x1, 1), (x2, 1), (x3, -1)]

for point, label in data_points:
    if predict(w, b, point) != label:
        w += eta * label * point
        b += eta * label

def predict(w, b, x):
    return sign(w[0] * x[0] + w[1] * x[1] + b)

# 输出最终的感知机模型
model = lambda x: sign(w[0]*x[0]+w[1]*x[1]+b)

请注意，实际应用中通常会包含更多的细节，比如循环次数限制、学习率的选择和更新策略等。