这里是一个简单的多层感知机（MLP）模型在Python中使用numpy,matplotlib,sklearn库实现的示例，用于手写数字识别。

抱歉，但是您提到的是使用`numpy`, `matplotlib`, 和 `sklearn`库实现多层感知机（MLP）的例子，这通常不是最佳实践，因为这些库分别主要用于数值计算、数据可视化和机器学习算法基础，而深度学习库如TensorFlow或PyTorch更适用于复杂的神经网络模型。如果你需要一个基于这些库的简短示例，那通常是用线性回归或简单的决策树等基础模型。

然而，对于实际的MLP实现，我们会使用像Keras这样的高级API，它支持`numpy`作为其内部计算引擎，同时提供了完整的深度学习功能。以下是用`sklearn`库构建一个多层感知机的基本示例（注意这不是一个完整的MNIST分类器，因为`sklearn`的`MLPClassifier`不如Keras的`Sequential`灵活）:

import numpy as np
from sklearn.neural_network import MLPClassifier
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt

# 加载数据
digits = load_digits()
X, y = digits.data, digits.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建MLP模型
model = MLPClassifier(hidden_layer_sizes=(100,), max_iter=500, alpha=0.0001,
                     solver='sgd', learning_rate='constant', verbose=0,
                     random_state=42)

# 训练模型
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 可视化结果
plt.imshow(digits.images[y_test[0]], cmap=plt.cm.gray_r)
plt.show()