《统计学习方法》--最大熵模型的学习：对偶函数求偏导的不解

  在《统计学习方法》第一版P84或第二版P99中提到：
  “具体地，求$L(P,w)$对$P(y|x)$的偏导数
$$\begin{array}{rl}\frac{\partial L(P,w)}{\partial P(y|x))}& =\sum _{x,y}\tilde{P}(x)(logP(y|x)+1)-\sum _y{w}_0-\sum _{x,y}(\tilde{P}(x)\sum _{i=1}^n{w}_i{f}_i(x,y))\\ & =\sum _{x,y}\tilde{P}(x)(logP(y|x)+1-w_0-\sum _{i=1}^n(w_i{f}_i(x,y))\end{array}$$  令偏导数等于0，在$\tilde{P}(x)>0$的情况下”，需要将括号内置0，解得$P(y|x)$。

疑惑：在等式第二行的括号中，$logP(y|x)<0$，$f_i(x,y)\ge 0$，拉格朗日乘子非负，但是由于这个1的存在，无法得到括号内非负或者非正的结论，又怎么可以轻易置0呢？

猜测：我在很多博文中看到这一步骤直接跳过，但又百思不得其解。
  书中最后得到最大熵模型的一般表达式如下：
$$\begin{gathered} P_w(y|x)=\frac{1}{Z_w(x)}\text{exp}(\sum _{i=1}^n{w}_i{f}_i(x,y)) \\ {Z}_w(x)\sum _y\text{exp}(\sum _{i=1}^n{w}_i{f}_i(x,y)) \end{gathered}$$  这里，$x\in R^n$为输入， y ∈ { 1 , 2 , . . . , K } y\in \left \{1,2,...,K\right\} y∈{1,2,...,K}为输出，$w\in R^n$为权值向量，$f_i(x,y)$，$i=1,2,...,n$为任意实值特征函数。
  我发现其中的$w_0$并没有包含进去，也就是说，结果与$w_0$无关，如果要让1不造成影响，只要将$w_0=1$即可，这样括号内一定为非正，置0的做法成立。如此看来确实是小问题，直接考虑偏导等于0就行。