请用python生成一条模拟深度学习中准确率变化的曲线，不要正弦波，一共200个epoch，模型在90个epoch时收敛于0.86并不再变化，在曲线中加入一些随机波动并且波动幅度逐渐减小，曲线在0-90非线性了，并斜率逐步变缓。

为了模拟深度学习中准确率的变化，我们可以创建一个非线性上升的曲线，并在前90个epoch时添加随机波动，之后保持平稳直到达到0.86的收敛值。下面是一个基本的Python实现，使用numpy和matplotlib库：

import numpy as np
import matplotlib.pyplot as plt
from random import gauss

# 定义参数
epochs = np.linspace(0, 200, 200)  # 200个epoch
initial_accuracy = 0.4  # 初始准确率
final_convergence = 0.86  # 目标收敛值
fluctuation_amplitude = 0.05  # 波动幅度
randomness_decay = 0.01  # 随机波动减少的速度

# 创建一个线性增长的非线性部分，然后添加随机波动
accuracy_curve = initial_accuracy * epochs**2 / 90**2  # 非线性上升部分
for i in range(90):
    accuracy_curve[i] += gauss(0, fluctuation_amplitude)  # 添加随机波动

# 随着epoch增加，波动幅度逐渐减小
for i in range(90, len(epochs)):
    accuracy_curve[i] = final_convergence
    if i < 190:  # 保证波动只在前90个epoch内
        accuracy_curve[i] += gauss(0, randomness_decay * fluctuation_amplitude)

# 绘制曲线
plt.plot(epochs, accuracy_curve, label='Accuracy over Epochs', marker='o', linestyle='-', color='blue')

# 标注收敛点
plt.plot(90, final_convergence, 'ro', markersize=5, label='Convergence at epoch 90')
plt.annotate('Converge to {:.2f}'.format(final_convergence), xy=(90, final_convergence), xytext=(85, 0.87), arrowprops=dict(facecolor='black'))

# 设置图表样式和标题
plt.legend()
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.title('Simulated Accuracy Curve with Nonlinear Growth and Decaying Random Fluctuations')
plt.grid(True)
plt.show()

这个脚本创建了一个满足条件的曲线，并展示了随机波动如何随着训练的进行而逐渐减小。