正确答案是B: 损失函数。

专业分析：
在神经网络中，损失函数（Loss Function）是用来衡量网络输出与实际目标的差距的。它是一个关键的组件，决定了模型的性能和训练过程。具体来说：

1. **激活函数（Activation Function）**：激活函数是应用在每个神经元上的非线性函数，帮助神经网络学习和表达复杂的模式和特征。它并不直接衡量输出与目标的差距。

2. **损失函数（Loss Function）**：损失函数计算网络输出与实际目标之间的误差，提供一个标量值来表示这种差距。常见的损失函数有均方误差（MSE）、交叉熵损失（Cross-Entropy Loss）等。训练神经网络的目标是最小化损失函数的值，从而提高模型的准确性。

3. **优化器（Optimizer）**：优化器根据损失函数的输出调整网络的权重和偏置，以最小化损失函数的值。常见的优化器有梯度下降（Gradient Descent）、Adam等。优化器本身不直接衡量输出与目标的差距，而是使用损失函数的值来指导参数更新。

4. **输入数据（Input Data）**：输入数据是神经网络的原始数据，经过预处理后被输入到网络中。输入数据本身并不参与衡量输出与目标的差距。

综上所述，损失函数是用来衡量网络输出与实际目标的差距的，因此正确答案是B: 损失函数。