matlab使用deep network designer搭建网络，将搭建好的网络（没有在deep network designer导入数据进行训练）导出到工作区并保存，导入保存的网络（.mat格式）后，使用“net = trainNetwork(lowLightDatastore, layers, options);”训练网络，显示“错误使用 trainNetwork ，无效的训练数据，ImageDatastore 没有标签”；使用“net = trainNetwork(lowLightDatastore, normalDatastore, net, options, ... 'ExecutionEnvironment', 'gpu', 'LossFcn', lossFcn);”训练，显示“错误使用 trainNetwork ，输入参数太多”，怎么改，实现低照度图像增强

根据您的描述，您使用的是ImageDatastore作为训练数据，但是ImageDatastore是没有标签的。因此，在使用trainNetwork时会报错。在训练深度学习网络时，需要同时提供图像数据和标签数据，以便网络能够学习到正确的映射关系。

为了解决这个问题，您可以将ImageDatastore转换为一个带有标签的数据集。具体地，您可以使用ImageDatastore的 'ReadFcn' 属性将图像和标签打包为一个单一的返回 cell 数组的函数。然后，您可以使用imds.transform()函数将ImageDatastore转换为具有标签的图像数据存储集合，最后将其用于训练网络。

例如，假设您的图像和标签存储在ImageDatastore对象中，您可以使用以下代码将其转换为具有标签的图像数据存储集合：

imds = imageDatastore('path_to_images');
imds.Labels = categorical(labels); % labels是标签数据

imds.ReadFcn = @(filename)readAndPreprocessImage(filename); % 读取并预处理图像

imds = imds.transform(@(data) ({data{1}, categorical(data{2})})); % 转换为具有标签的图像数据存储集合

然后，您可以使用上述代码中转换后的数据集合来训练您的网络：

net = trainNetwork(imds, layers, options);

如果您仍然遇到输入参数过多的错误，可以检查一下trainNetwork函数的参数是否正确，或者将所有参数都放在一个结构体中传递，例如：

trainOptions = trainingOptions('sgdm', ...
    'InitialLearnRate', 0.01, ...
    'MaxEpochs', 20, ...
    'MiniBatchSize', 128, ...
    'Plots', 'training-progress');

net = trainNetwork(imds, layers, trainOptions);

最后，建议您在训练网络之前先对数据进行预处理，例如将图像缩放到相同的大小、进行归一化等。这将有助于网络更快地收敛并提高训练效果。