请生成一条深度学习模型训练过程中准确率的曲线（200个epoch），要曲线变化，最终收敛于0.82（在95epoch时），要求上升过程迅速并且曲线从陡变缓，添加随机波动，且波动幅度逐渐减小。请给出python代码

为了模拟这种深度学习模型训练过程中准确率的变化情况，我们可以使用Python的matplotlib库来绘制一条满足上述描述的曲线。这里是一个简单的示例：

import numpy as np
import matplotlib.pyplot as plt

# 定义训练数据的总步数和目标精度
epochs = 200
target_accuracy = 0.82
convergence_epoch = 95

# 创建一个线性上升阶段，然后缓慢收敛
linear_rise = np.linspace(0, target_accuracy * 0.7, convergence_epoch)
plateau = [target_accuracy] * (epochs - convergence_epoch)

# 添加随机波动
random_noise = np.random.normal(0, abs(target_accuracy * 0.05), len(linear_rise))
random_noise[:int(convergence_epoch / 4)] *= 2  # 初始阶段波动较大
random_noise[convergence_epoch:] /= 2  # 后期波动较小

# 合并两个部分，并考虑曲线平滑
accuracy_curve = linear_rise + random_noise
accuracy_curve += np.convolve(accuracy_curve, np.ones((10,))/10, mode='same')  # 使用卷积平滑曲线

# 绘制训练过程中的准确率曲线
plt.plot(range(epochs), accuracy_curve)
plt.title('Accuracy Curve during Training')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.vlines(convergence_epoch, 0, max(accuracy_curve), colors='r', linestyles='dashed', label=f'Converged at Epoch {convergence_epoch}')
plt.legend()
plt.grid(True)
plt.show()